随着对机器视觉与数字图像处理等领域研究的不断深入,障碍物识别技术在军事、科研等领域得到了广泛应用。但是,目前大部分基于视觉图像的识别系统,极易受到背景因素的干扰,致使识别系统适用场景相对固定,无法在复杂场景下得到实际推广。本文介绍了障碍物识别系统的实现过程与相关理论。重点针对上述问题,提出一种GrabCut图像分割算法的优化方案,以实现图像中的障碍物主体与背景的有效分割,减小背景因素对识别系统的影响。该方案在对经过预处理后的单目视觉图像进行分割时,利用降低分辨率与图像叠加技术,在提升分割速度的同时,保证了分割的准确率并保留了重要的图像边缘细节信息。针对几种图像特征提取算法在运行效率方面进行了研究与对比,并利用HOG算法完成无背景障碍物图像的特征提取。在识别过程中,本文利用支持向量机(SVM)以及径向基核函数(RBF)构建分类器,并在分类器的最优参数选取过程中,提出一种网格寻优算法的优化方案,对分类器的惩罚因子C和核函数σ进行优化。经过实验证明该方案与传统网格寻优算法相比,在保证K-CV准确率同时,寻优时间得到大幅度的减小。最后,利用文中提出的相关优化算法,在Opencv2.4.9平台上设计一个以盲人出行避障为应用背景的障碍物识别系统,并利用该识别系统对文中优化算法实际效果进行对比和验证。