人类对于未知环境探索主要借助于移动机器人,而提高移动机器人对所处环境的适应能力至关重要,因此移动机器人的地面分类成为当今研究的热点。当前地面分类方法主要基于激光雷达和视觉,二者对于表面有覆盖物的地面的识别能力较差,特别是基于视觉方法对于光线的要求较高。在光线不足的情况时,基于振动的地面分类依然能够真实地反应地面的特性,这对提高移动机器人的自主移动性能十分重要。所以本文将从地面特征提取和分类器设计两方面展开研究。首先,搭建实验数据采集平台,采集移动机器人以六种速度匀速穿越五种地面时相互作用所产生的振动信号,对采集到的原始振动信号进行分段,为下一步的地面特征提取和分类做准备。其次,本文采用小波包变换对振动信号进行处理,主要考虑到小波包变换在处理局部信号细节有较好的效果;应用小波包主成分法和小波包对数能量熵法提取地面特征,其中小波包主成分法主要采用特征评估法对幅值特征进行评估以及主成分分析。最后,对于一对一 SVM多分类,当所得票数最多的类别超过两种以上时,存在无法分类问题;对于有向无环图SVM (DAGSVM)多分类,存在错误向下积累问题,良好的分类路径是解决该问题的关键。针对存在的问题,本文采用SVM与k-近邻法(kNN)联合算法,有效地解决一对一 SVM和DAGSVM存在的不足,提高二者的实用性。采用基于小波包的两种特征提取方法、kNN算法以及SVM与kNN联合分类算法分别对五种地面进行分类,并对分类结果进行比较与分析。所采集数据的分类结果验证了本文所提特征提取方法与分类器设计方法的有效性。