基于视觉的地形识别技术是计算机视觉领域一个重要的研究方向,广泛应用到机器人导航和自动驾驶领域中,是实现机器人的自主导航的关键性问题,地形识别技术可以使机器人充分理解周围环境,实现地形准确预判,以便于及时调整控制决策与路径规划。由于户外地形是交错复杂的,图像级的地形识别在面对多种地形并存的情况下识别效果不理想,而像素级的地形识别可以同时识别出多种地形。所以本文的研究工作是在图像级地形识别和像素级的地形识别两个方向展开的,具体如下:首先,从图像级地形识别和像素级的地形识别两个方面概述了研究意义和国内外研究现状。总结了现有的图像级地形识别算法和像素级的地形识别算法的不足之处,并详细介绍了深度神经网络发展和算法原理。然后,针对野外地形交错复杂和环境光线的影响导致地形识别效果不理想的问题,提出了深度残差纹理网络(DrtNet),在残差卷积网络中搭建一个纹理细节层,形成端到端的学习网络。DrtNet的优势在于不仅可以提取地形图像的空间几何特征,还可以提取地形图像的纹理细节特征,使得DrtNet具有更好的分类效果。此外由于地形识别方向的公开图像数据集比较少,在借助相机、手机摄像头等设备的情况下,采集了多种条件下的地形图像,建立了包含16类典型地形图像的地形数据集SDU_Terrain16。其次,针对语义图像分割出现复杂图像和形似物体的分割效果不理想的问题,提出了多尺度分割网络(MSNet),采用ResNet作为基础网络,对ResNet的输出进行多尺寸特征提取和上采样操作,使得MSNet不仅可以提取图像的全局特征,还可以整合上下文特征信息;此外MSNet使用双损失函数,在进行反向传播时可以加快收敛速度,充分优化网络参数。最后,总结了本论文的工作,指出地形识别中仍未解决的问题并展望未来的研究方向。