随着硬件设备和人工智能技术的高速发展，移动机器人的应用场景正逐渐由室内走向室外。室外环境复杂多变，不同类型的路面对移动机器人的行驶速度、控制策略有着不同的限制，机器人需要针对不同的路面控制速度、方向以及规划相应的运动轨迹，才能够安全、顺利地完成任务，因此全面、快速地感知路面类型是移动机器人实现多场景作业的前提。与其他传感器相比，视觉传感器检测的路面信息最为直接、全面，基于视觉信息的路面分类研究能够帮助移动机器人充分掌握将要行驶的路面并做出精确的预测，保证移动机器人在复杂多变的室外环境安全、平稳地移动。本论文的内容是利用视觉信息进行路面分类研究，为户外移动机器人提供全面、可靠的路面类型信息，具体研究工作内容如下：　　（1）建立包括柏油路、水泥路、草地、泥地4种常见路面的图像实验库。充分考虑移动机器人各种运动状态，为确保数据库样本丰富、重复性少、质量高，以安全、稳定、适应环境能力强的原则合理设计路面图像采集装置并在多种场景下以不同的速度进行路面图像采集，同时设计并编程了减少阴影干扰的图像剪切方法，改善图像数据集质量；　　（2）基于SVM-RFE特征选择的路面图像分类。建立包含图像空域和频域特征的特征库，对SVM-RFE特征选择算法的基础上进行改进，验证不同数量的特征集合对路面分类准确度和实时性的影响，并选取最优特征组合，利用决策树和SVM验证了分类效果；　　（3）实现基于CNN-SVM的路面图像分类。为避免繁琐的图像预处理和特征选择的过程，同时处理运动模糊的图像，结合路面图像的特点对LeNet-5网络进行改进，实现了图像特征自动、客观的提取，提高了网络的收敛速度和路面分类性能；　　（4）路面分类结果对比分析。设定科学的评估标准，在数据库中选取不同比例训练集的条件下，对不同速度下的路面图像进行分类，对比分析现有的基于视觉的移动机器人路面分类方法，验证本文提出路面识别方法的有效性和适用性。