野外障碍物识别问题一直以来都是智能车载系统研究的热点之一,由于野外环境的特殊性,车载系统对野外障碍物识别的性能受到光照、景物以及周围环境等因素的影响,难以取得较好的识别效果。近几年来,机器学习领域的一些复杂的算法也渐渐地开始应用于野外障碍物的识别问题中,尤其是主动学习策略的引入,对减少训练样本、提升分类性能起到很大的帮助。本文主要研究了在主动学习策略中融入半监督学习的思想,有效地利用野外环境中可以采集到的大量未标记样本,以提升车载系统对障碍物识别的性能。同时,针对野外障碍物识别问题的特殊性,引入两级学习系统,首先对所处的环境进行判断,然后,调用相应的障碍物识别引擎对当前环境中的障碍物进行识别,进一步优化车载系统的识别性能。根据我们得到的实验结果表明,通过将半监督学习与主动学习的融合,以及引入两级学习系统的策略,智能车载系统的障碍物识别性能可以得到有效的提升。