本文总结了作者在硕士学习阶段参与国家自然科学基金项目——复杂野外环境下基于多传感器融合的机器人障碍物检测——的研究成果，围绕着如何对复杂野外环境下的水体障碍物检测进行了深入的讨论，通过大量实验对算法的有效性进行了验证，并给出了令人满意的实验结果。陆地自主车(Autonomous Land Vehicle，简称ALV)是一种能够在道路和野外连续、实时、自主运动的智能移动机器人，其研究涉及多个学科的理论与技术，体现了信息科学与人工智能技术的最新成果，具有重大的研究价值和应用价值，受到了世界各国的重视。可靠的障碍物检测能力是智能移动机器人实现复杂野外环境下安全导航的前提。复杂野外环境种类繁多、属性各异的障碍物类型以及复杂的背景环境给障碍检测带来了巨大的挑战，特别是池塘等水体类障碍物对于复杂野外环境下智能机器人的导航具有极高的安全威胁。本文采用了多特征融合的方法来实现水体障碍物的检测。对于水面的无倒影区，提取水体所拥有的亮度，纹理等特征——野外环境下水面一般是高亮度区域和弱纹理区域；而对于水面的倒影区，本文创新性地提出了利用立体视觉的办法来检测倒影区——水面的倒影区域在三维空间坐标系下是低于地面的负高度，而零视差区域有可能是水面反射了远景，并据此分割出相应水体区域。最后将亮度，纹理和倒影区域等多特征融合在一起，获得了较准确的水面分割结果，实验结果证实了这种方法的有效性。本文还进行了一种用机器学习(SVM)的方法来改进实验结果的探索，尝试了用机器学习的方法对水面亮度特征进行检测，并给出了令人满意的实验结果。