无人平台常行驶在非结构化地形,获取有效的地形信息是实现其自主化的前提。本文基于视觉图像、激光点云等多信息的融合,研究非结构化地形的类型识别与场景分割、地形三维空间信息构建以及地形三维重建,为无人平台对非结构化地形的感知提供依据和参考。根据研究现状,具体工作如下:（1）双目相机标定与点云预处理研究基于双目相机与激光雷达等多信息融合设计无人平台对非结构化地形的感知方案。建立相机模型与对极几何模型,求解相机的内参、外参、畸变参数等,进而求解双目相机间的标定参数并对立体图像对进行校正,使其满足极线约束。在建立点云拓扑结构的基础上进行体素滤波和离群点云剔除等点云预处理。（2）基于深度网络的非结构化地形识别研究将地形识别研究分为地面类型识别与地形场景分割两部分。提取地形图像的低层特征,并与Res Net-50网络提取的深层特征融合,以极限学习机为分类器搭建了地面类型识别模型,使用自建的地形图像数据集进行模型训练与极限学习机输出权值求解;基于Deep Lab V3+网络搭建了地形场景分割模型,在解码过程中加入一层低层特征的融合来提高细节分割效果,使用Sift-flow数据集进行模型的训练。（3）面向重建的地形三维点云构建研究双目立体匹配的构建研究中,引入微分动态时间规整,并通过唯一性检测来获取稳定的匹配视差边界,以提高匹配的精度和效率,并采用半全局匹配的代价聚合方法获取更准确的代价值;对于激光点云的盲区问题,将运动路径中的历史点云与当前激光点云,通过融合无人平台的定位和姿态信息进行粗配准,再通过点对面ICP精配准获得更准确的补偿结果,来填补激光点云盲区中的地形三维坐标信息;通过激光雷达与视觉特征融合进行构建,将立体图像的SIFT特征点匹配所还原的点云,通过配准与激光点云融合。（4）基于离散点云的地形重建研究根据地形场景分割结果对地形点云进行场景类别标记,一方面为地形点云赋予地形表面三维坐标以外的类别属性信息,另一方面可以用来剔除天空等区域的错误点云,避免影响地形重建结果;根据DBSCAN聚类算法中邻域半径和最小邻域点数两参数的单调性通过交叉迭代进行自适应参数寻优,并根据聚类结果对点云分类,点云聚类集合表示满足密度联通条件的连通区域;通过构建可伸缩包围盒来实现更快速的近邻点查找,使用投影法和生长法组合的网格构建算法恢复点云间的空间拓扑关系,实现地形的地形表面的网格构建;对构建的地形表面网格进行曲面细分的精细化处理,使重建模型能够近似估计真实的地形表面。最终,构建带有类别标签的精细化地形重建模型。