可行区域检测技术是辅助驾驶系统和自主导航技术的关键技术之一,而基于视觉的可行区域检测系统由于信息丰富,成本低廉等优势近年获得持续关注。目前的研究主要是基于模式识别和相机几何,使用的特征包括颜色、纹理、形状模型、消失点等。图像容易受到场景变化和光照变化的影响,主要体现在相同的场景在不同时间以及不同光照下的形态不同,从而特征差异巨大,加大稳定检测的难度。尽管人们在克服上述问题做了很多努力,当前基于视觉的可行区域检测方法依然存在场景普适性不强,光照鲁棒性不强以及稳定性不好的问题,从而给机器人的安全稳定运行带来安全隐患。本论文依托于无人平台环境感知系统对鲁棒可行区域检测方法展开研究,提出了基于非平衡学习的可行区域检测系统,为了保证可行区域稳定提取的同时,对光照和新场景具有足够的适应能力,该系统采用多种创新策略：1、弱约束条件。本文只假定机器人前方一小块区域可通行,弱化检测前提,从而使本文方法能适应更多场景。2、多尺度超像素分割特征提取与判别方法。本文提出对一幅图像进行多尺度分割,在充分提取每个区域特征的同时保证了训练和识别的稳定性。3、非平衡学习策略。通过权重方程设置权重,并建立了基于权重的样本遗忘机制,使用新样本更新旧样本以提高场景适应能力。本文拓展了上述学习策略并研究在学习框架中融合其他传感器信息,使得环境适应能力、光照鲁棒性和稳定性进一步增强。