目前，超声探测障碍物的系统大多使用脉冲信号，这种信号探测用时长、精度不足。目前的超声测距的方法和障碍物识别的方法中，在信噪比较低时，有精度不足等问题，而基于超声探测的导盲产品也有探测时间长、精度不高、提示不明确等缺点。本文主要针对以上的问题进行改进，主要内容如下：1.蝙蝠的回声定位系统是一个高度进化的超声探测系统。本文指出了蝙蝠多种频率的信号探测目标的优势，并对蝙蝠的回声定位信号中的恒定载频信号和调频信号进行分析，提出了用多种频率的信号进行探测的方法。2.目前，使用超声进行测距主要使用时延估计的算法。阈值法是常用的时延估计算法，在实现上比较简单，但它只是使用“过零”检测的方法，所以时延估计并不准确。互相关函数法也是较常用的算法，它需要有信号的先验知识，在信噪比较低时，使用互相关函数估计的结果不够精确。而最小均方误差的自适应算法估计时延则不需要信号和噪声的先验知识，在实际运用中可以较好地适应各种信号和环境。本文提出阈值法和LMS联合时延估计算法，能获得更精确的时延估计。3.在障碍物识别方面，目前发射信号主要使用恒定载频信号。恒定载频信号的幅度估计方法主要有正交采样法、四分采样法等方法，这些算法需要知道信号准确的频率，而且需要精确地采样，在信噪比较低时，准确性难以保证。本文提出了一种针对线性调频信号的幅度估计方法，这种方法在不同信噪比下，比传统的幅度估计算法有更高的精度。本文使用线性调频信号测出的幅度和联合算法测出的时延作为特征值，输入经过训练的BP神经网络，能良好地识别出环境中不同的障碍物。4.现有的导盲方法和装置的有探测时间长、精度不高、提示不够明确等缺点，本文提出了一种基于多调频的导盲方法和装置，这种装置采用恒定载频信号和线性调频信号同时探测，使用本文提出的时延估计算法和障碍物识别算法来探测障碍物，并且提供多种提示方式，比现有的导盲方法和装置有更高的精确性和更好的用户体验。