随着机器学习理论的不断发展进步,应用机器学习技术解决智能车辆系统的环境感知问题成为人们研究的热点。障碍物检测是环境感知的重要组成部分。传统监督学习方法借助大量预先标注的样本获得分类器来处理障碍物检测问题,已经取得许多成果,但也存在一些难点。例如,降低标注大量未标记样本的代价,提高分类器的泛化能力,降低处理问题的时间和内存消耗,等。本文研究了在在线学习算法on-line LASVM的前提下,加入主动学习机制来处理障碍物检测问题的方法,实现了在线主动学习算法on-line active LASVM。on-line LASVM是一种行之有效的在线学习算法,其在时间和空间性能上优于经典的离线式学习算法。主动学习机制能够选择拥有最大信息价值的样本,能够学习较少的样本却得到较高的分类性能。将在线学习和主动学习结合在一起的on-line active LASVM算法,能够减少手工标记样本的成本,降低处理问题的时间、空间消耗,同时获得分类泛化能力较高的分类器,可以高效的处理智能车辆系统行进过程中的障碍物检测问题。