随着人工智能的快速发展,机器人被广泛应用到家庭服务、化工和航空航天等多个领域。目标物体材质识别是机器人感知外界环境和目标物体识别的重要环节。视觉和听觉作为机器人的两大感知模态,对机器人感知环境起着举足轻重的作用。然而,当被检测物体在视觉上类似而组成材质不同时,从而使得机器人视觉系统的分析识别结果产生错误,而听觉模态却能很好的弥补视觉在该方面的不足。对此,本研究将声音识别技术应用到物体表面材质识别中,通过分析敲击物体或者摩擦物体表面所产生的声音来对物体的表面材质来进行分析识别,以达到环境感知的目的。本文设计了一款用于物体表面材质识别的麦克风声音采集笔,并使用该声音采集笔分别采集并组建了5种材质敲击声音数据集TSD-25和9种木材敲击和滑动声音数据集WSD-9,同时分别进行了相应的实验分析研究:(1)对TSD-25数据集提取了包括高阶梅尔倒谱系数(HMFCC)、高阶线性预测梅尔倒谱系数(LPHMFCC)以及基于小波变换的高阶梅尔倒谱系数(WHMFCC)在内的3种声音特征,并利用增减分量法对得到的每种声音特征的倒谱分量相对重要性进行了评估,以达到特征筛选的效果。最后利用支持向量机和极限学习机两种机器学习算法对基于上述3种声音特征的物体表面材质识别结果进行分析对比。实验表明:3种声音特征中LPHMFCC特征具有最好的识别效果,且极限学习机比支持向量机具有更好的识别效果。(2)对于WSD-9数据集在提取HMFCC、LPHMFCC和WHMFCC三种声音特征和特征筛选的基础上,对筛选后的特征进行了多特征组合处理。最后将处理后的声音特征数据进行基于声音多特征组合与RELM算法的木材识别研究。实验结果表明,声音多特征组合后的识别效果比声音单特征的识别效果更具有优势,而且基于多声音模式结合后的识别结果比单声音模式更具有优势,但是滑动声音在木头材质识别中的结果略逊于敲击声音。最后通过MATLAB软件GUI功能设计了一款物体表面材质识别系统上位机软件,使其在应用过程中更加简捷方便。