地面智能机器人是一种能够利用自身所携带的传感器装置对各种地面环境进行理解和判断,并在此基础上进行规划和决策,从而实现连续自主或半自主行驶的机器人。随着军用、民用和宇宙探索等领域巨大需求的推动,地面智能机器人技术正在经历着日新月异的发展。对地面环境的理解是地面智能机器人自主导航控制系统的核心技术。相对于室内、高速公路等结构化环境理解,室外的草地、土地以及沙地等非结构化环境理解更具有挑战性,因为在室外环境下存在的光照、景物、天气以及地面不规则性等复杂多变的因素,使环境理解算法更为复杂困难。本文针对地面智能机器人非结构环境理解中迫切需要解决的若干关键问题展开工作,并取得了一定的研究成果,具体内容如下：针对因光照变化等因素造成地形分类性能下降的问题,提出了一种快速有效的地形分类算法。该算法是利用颜色特征并结合纹理特征来提取地形特征,同时采用高斯混合模型(Gaussian Mixture Models, GMM)对不同类型和光照条件下的地形特征数据进行建模,从而能对呈现多种表现的地形特征进行很好统计。对于GMM组成模型数目则采用贝叶斯信息准则加以确定,以提高GMM的分类性能。另外还提出了利用GMM概率信息来决定当前特征窗口地形类别的分类策略,解决了在不同地形区域边界上分类性能差的问题。实验结果表明,利用上述算法能够实现在较为复杂的非结构环境中进行地形分类。常规的基于脊波变换的尺度和旋转不变性特征,仅是在每个频率子波段中独立提取的,没有考虑不同频率子波段之间的相互关系,并且已有的算法也很少应用到真实场景的分类中。为了能够提取到性能更好并能满足真实场景分类需要的特征,提出了两种改进算法。第一种算法是在已有特征的基础上,采用构建直方图的方法来提取各频率子波段之间的关系特征。该特征没有进行尺度不变性处理,所以仅是一种旋转不变性特征。第二种算法是针对彩色图像,在已有特征的基础上,利用对数函数对Radon变换系数矩阵进行尺度不变性处理,并采用线性回归模型提取在不同的颜色组成平面下所有频率子波段之间的关系特征。由实验可知,上述两种算法的性能都较好,尤其是后者在真实的场景分类中表现优良。针对常规的SVM(Support Vector Machines)主动学习算法在面向环境感知的可通行性区域分类应用中所遇到的问题和局限性,采用动态聚类过程来选取最有代表性样本、根据专家标记与当前SVM分类结果的差值来调整SVM超平面位置两种策略对其进行了改进,提出了一种新的主动学习算法——KSVMactive算法。针对可通行性区域分类中因样本量过大而造成的标记困难以及样本分布不均衡等问题,提出了一种基于AUC(Area Under the Receiver Operating Characteristic)优化的非线性主动学习算法。该算法是将分类后的样本利用基于AUC优化的样本选择函数进行得分计算,然后根据分值大小选出最有信息量样本,这能够较好地解决因使用损失函数和误差最小化原则在处理两类样本分布不平衡时所可能产生次优解问题。使用所提出的两种主动学习算法,可以有效地减少样本标记的工作量,且分类结果与手动方式相差不大。在可通行性区域分类中所使用的分类器大多数是基于误差最小化原则来训练的,当样本分布不平衡或者分类错误代价不相等时,这种类型的分类器便可能产生次优解。为了得到性能更好的分类器,提出了两种用于分类器训练的AUC优化算法。第一种算法是利用动态聚类选择最有代表性样本交由专家进行标记,并放入训练集中,然后在已得到的训练集上,采用一种新的AUC最大化方法对线性分类器进行训练,该算法能较好地解决因样本量过大而造成的标记和排序困难以及样本分布不均衡等问题；第二种算法是将粒子群算法引入到AUC目标函数优化中,并通过使用巴特沃斯曲线调整粒子权值的变化和对适应值较差的粒子进行突变等方式,来提高粒子群算法的全局搜索能力,较好地解决了在AUC优化过程中因使用梯度下降法所产生的参数估计精度下降等问题,从而改善了利用AUC最大化方法训练分类器的性能。最后,对全文进行了总结,并且对今后进一步的研究方向进行了展望。