轮式机器人在地面行驶时需要具有一定的自主识别能力,根据不同的地面类型采取相应的行走方案,目前主流研究是基于视觉或激光雷达的地面分类方法,但是这些方法在光照条件不好或地面存在覆盖物时往往效果不佳。因此本文采用振动信号作为输入特征来实现轮式机器人的地面分类识别,通过车轮与地面直接接触所产生的振动信号能够真实地反映地面承载层的信息,可以作为视觉分类技术的重要补充。本文对地面分类的方法的研究主要包含三个部分,一是给出了特征的提取方法,二是设计了基于CNN和KELM的分类器方法,三是给出了两种输入特征的特征级的融合算法和基于D-S证据理论的决策级融合算法。本文介绍了轮式机器人原始振动信号的数据采集实验。使轮式机器人在沙、碎石、草、土、沥青5种实验地面上分别以5种速度匀速行驶,通过在车轮轮臂上安装三向加速度计和z向传声器,可以采集到轮式机器人在实验地面行进时所产生的振动信号,为后续的分类研究提供实验数据。根据实际的研究环境对振动信号进行预处理,采用短时傅里叶变换对实验数据进行特征提取,得到时频图特征,并对时频图进行进一步的图像纹理特征提取,分别得到实验数据时频图的局部二值模式（LBP）特征图和Gabor小波特征图,用于后续的分类算法研究。本文介绍了VGG-16卷积神经网络（CNN）的模型结构,并根据本研究的实际样本环境对结构进行精简,在5种速度下分别基于LBP特征图和Gabor小波特征图采用精简后的CNN模型对5种实验地面进行分类;针对CNN结构中使用全连接层分类性能不足的问题,提取全连接层中间隐含层的特征向量作为新的输入,使用核极限学习机（KELM）算法进行地面分类,并设置对照组,与分别采用极限学习机（ELM）和支持向量机（SVM）进行分类的性能进行对比分析。考虑到两种图像纹理特征所提取的振动信息的差异性,为了提高分类的准确率,本文给出了基于LBP特征图和Gabor小波特征图的特征级融合方法和决策级融合方法。其中特征级融合是在提取CNN全连接层特征时对两种特征进行拼接融合,决策级融合是采用DS证据理论对两种特征分类后的输出概率进行决策融合,对以上两种融合算法的分类准确率和实时性进行对比分析。