工程车辆行驶路面复杂、工作环境恶劣,在作业过程中,操作人员极易疲劳,影响工作效率且存在安全隐患。开展工程车辆无人驾驶技术研究在降低操作人员劳动强度,减少作业事故和提高作业效率等方面具有非常重要的现实意义。装载机作为典型的工程车辆,实现自主作业过程中涉及众多技术研究,其中自主铲掘技术是实现装载机无人驾驶的关键。散状堆积物料识别和铲掘难易程度评估是实现装载机自主铲掘作业的基本前提。根据堆积物料的种类和铲掘难易程度制定相应的铲掘策略和规划合理的铲掘轨迹,防止装载机在铲掘过程中出现多种异常工况。同时,物料种类识别和铲掘难易程度评估与发动机（或电机）输出功率智能调节、液压系统控制及驱动策略直接相关。针对上述问题,本文以无人驾驶装载机为载体,研究散状堆积物料识别和铲掘难易程度评估方法。本研究依托国家自然科学基金项目“无人驾驶装载机自主铲掘作业关键技术研究”（No.51875233）开展相关工作,具体研究内容概括如下:（1）在综述国内外无人驾驶装载机的发展过程和目标检测技术现有研究成果的基础上,提出了本文的研究内容和总体技术路线。（2）针对于散状堆积物料识别,首先采集了多场景和非均匀光照条件下的五种堆积物料的真实图像,并用图像处理技术对数据集进行扩充处理。从检测精度和检测速率的角度出发,选用YOLOv4目标检测网络对五种堆积物料进行迁移学习,删除了区域提议步骤并将所有计算合并到一个阶段,训练出的堆积物料检测模型可以实现物料快速检测,并具有高鲁棒性和高精度,使物料对象的实时检测变得高效可行,符合轮式装载机的实际应用场合。（3）针对于散状堆积物料铲掘难易程度评估,首先分析了轮式装载机自主铲掘的过程,明确了影响物料铲掘难易程度的主要因素,并基于多传感器信息联合判断物料铲掘阶段。选择轮式装载机插入阶段和翻转阶段的动臂油缸压力变化来间接反映自主铲掘时遇到的铲掘阻力变化,通过分段最小二乘拟合算法处理压力数据,取此阶段动臂油缸最大压力、压力变化率、操作时间长度和时间变化率四个指标,再通过聚类算法将其聚类得到的中心值平均分布在雷达图的四个对角线上,用雷达图方法综合评估堆积物料的铲掘难易程度。（4）提出了一种实时的堆积物料可辨识性铲掘难易程度评估方法,该方法是通过将神经网络与雷达图信息融合,通过神经网络判断物料种类后与雷达图信息匹配来获得物料的铲掘难易程度,此种方法适用于相关的自动化工程车辆,如装载机、挖掘机和铲运机等,是一种对散状堆积物料铲掘难易程度进行实时高效评估的解决方案。本文通过搭建物料识别和铲掘难易程度评估系统评估了五种散状堆积物料铲掘难易程度,并用神经网络训练出了一个堆积物料检测器,在复杂的环境条件下验证了该系统的鲁棒性,为轮式装载机的自主铲掘作业提供了技术支持。