近年来,移动机器人不断被应用于野外探测、救援物资运输、无人战车等领域,针对室外移动机器人的相关研究工作受到了众多研究人员的关注。其中,移动机器人在运动过程中的视觉感知技术是最为关注的研究热点,利用计算机视觉技术使得移动机器人能准确识别感知周围环境是研究过程中的一大挑战。移动机器人准确识别感知周围环境的地形是实现移动机器人自主导航的基础,而在室外非结构化环境中,地形特征往往呈现没有明显的边界、地面崎岖等特征,室外机器人选择行驶路径和做出运动策略将更为困难和复杂。因此,更有必要开展室外地形识别技术研究工作来帮助移动机器人更好的完成自主导航任务。当前,室外地形识别基于不同感知模式的技术不同场景下发挥各自的优势。与激光雷达、毫米波雷达等流行的传感器相比,视觉传感器可以采集包含亮度、颜色、纹理等丰富的图像语义信息,并且视觉传感器价格低廉。因此,基于视觉的地形识别方法随着移动机器人的广泛应用逐渐成为研究热点。本文旨在利用深度学习技术的图像分割算法来划分地面区域、获取地面区域的类别,为移动机器人的路径规划和避障提供可行驶路径的选择、并对不同地形环境进行运动学和动力学仿真分析。论文的主要研究内容如下:首先,对四轮差速移动机器人运动学与动力学建模。运用Adams虚拟样机技术构建机器人与地面的仿真模型,分析移动机器人在不同地面、不同驱动下的运动学关系,构建地形类别与行驶速度匹配关系,为地形分类与识别的必要性提供了理论基础。然后,针对传统的分割方法存在算法模型构建复杂、识别精度低、鲁棒性差等问题,提出了基于深度学习语义分割算法的地形识别方法,通过实验对比了五种语义分割模型,最终选择了具有实时识别地形、便于移植到室外移动机器人平台的EDANet语义分割模型,满足在室外非结构化复杂场景中快速准确识别地形的要求;最后,搭建移动机器人地形识别平台,以全地形探测车Turtle Rover为基础进行物理性验证实验,将所运用的地形分割算法移植到移动机器人嵌入式设备中,利用地形类别与行驶速度匹配关系,在真实室外场景中对典型地形识别,实验结果表明提出的地形分割方法,能有效分割地形。