如何使智能移动机器人在户外非结构化环境下具备良好的可通行区域识别能力以及对周围地形的识别能力，是移动机器人实现户外环境下自主运行任务的核心问题，也是多年以来在机器人技术相关研究领域具有挑战性的课题之一。本文基于立体视觉传感器图像信息，提出了基于视觉的可通行区域识别算法以及地形分类算法，为实现移动机器人进入户外非结构化复杂环境自主运行奠定了一定的基础。　　首先，本文总结了现有众多智能移动机器人的发展状况，并针对自主运行任务，分析了各类机器人所使用传感器的特点，列举和分析了当下流行的多种分类方法的优势和劣势。　　其次，根据各类传感器的特点和适用场景，本文选择了基于双目立体视觉的感知方式。并根据此类视觉传感器的固有特性，结合户外条件下的环境特点，总结和归纳了移动机器人在户外自然环境下执行自主运行任务时可能遇到的两类主要危险，并提出了通行区域识别和地形分类算法作为解决手段。　　针对可通行性区域识别现有众多算法中检测距离和分类效率较低的情况，本文提出了基于由近及远自监督式学习的方法，利用基于U-V视差方法获取近距离（10-15m范围内）可通行区域后，以此作为训练样本，用于增量式支持向量机（ISVM）分类器，以分类识别出较远距离上的可通行区域。　　针对户外非结构化环境下地形种类较多，模式复杂的特点，本文提出了结合K-means聚类初步分割和快速神经网络最终分类的算法，借助超像素分割技术对K-means聚类的结果进行人为修正和标记，用于快速神经网络分类器进行训练，进而获得边缘质量和分类效果更好的地形危险梯度识别结果。　　最后，本文基于课题组自行设计和研发的NuBot移动机器人实验平台，开展了一系列的户外实验，并结合KITTI、LAGR等图像数据库，对实验结果进行了定性和定量的分析。结果表明，本文提出的相关算法在可通行区域识别上有效的提升了检测距离和准确率，在地形分类上也获得了较好的效果。