当移动机器人需要执行远程探测任务或者人类无法亲临的危险任务时,就要求移动机器人具有足够的自主能力,机器人须具有识别并安全通过各种陌生地面的能力,因此十分有必要研究地面分类。传统上广泛用基于视觉的方法对地面进行识别和分类,但是基于视觉的方法容易受光照、表面覆盖物的影响,不易识别松软地面,所以本论文采用基于振动信号的方法。不同于视觉的非接触式分类方法,振动信号可以真实反映地面承载层信息,是对视觉方法的一种重要补充。本文对地面分类方法的研究包含三个部分,首先是给出特征提取方法,其次是改进极限学习机,最后是改进基于模糊积分的融合算法,并采用改进后的算法对改进的极限学习机进行融合。为了获取机器人车轮和地面间的振动信号,本文设计了数据采集实验系统。在移动机器人四个轮臂上安装三向加速度计和z向传声器,使之在沙、碎石、草、土、沥青地面上分别以5种速度行驶,采集车轮与地面之间激发的振动信号(本文采用左前轮的振动信号,其余留待以后研究),为地面分类算法研究提供数据支持。首先对原始振动信号进行经验模式分解,获得一系列尺度的内蕴模式分量,由于内蕴模式分量所包含原始信号的信息量不同,依据能量分布和失真度对内蕴模式分量进行筛选,最后提取内蕴模式分量的时域幅值特征、功率谱密度特征和奇异值特征。针对极限学习机的隐含层节点存在冗余,而且影响其分类的稳定性和准确率的问题,通过对任意两个隐含层节点的输出进行相关性评估,给出基于节点相关性的约减方法。在5种速度下基于以上3种特征采用改进后的极限学习机对5种地面进行分类。针对模糊积分求解过程中存在的参数计算过于耗时的问题,给出了模糊积分参数λ的简化计算值;针对求解模糊积分时积分函数不容易确定的问题,给出了新的积分函数及其参数α和β的取值,基于以上3种特征采用改进后的基于模糊积分的融合算法对改进后的极限学习机进行两两融合和3个分类器融合。相应的分类实验验证了所给算法的有效性。