野外环境复杂多变，地面起伏不定，障碍物分布错乱，而移动机器人的通过能力有限，要使机器人快速安全地到达指定地点，完成既定目标，准确的地形分类则显得尤为重要。针对监督学习方法适应能力有限这一问题，本文基于三维激光传感器和单目视觉传感器提出了一种自监督地形分类方法，首先通过分析激光传感器获得的数据，对典型的可通过区域（如地面）和障碍物区域进行提取，将这两类区域投影到图像空间，提取视觉特征，并训练分类器，利用训练得到的分类器对地形进行分类。本文研究的主要内容包括:　　 (1)利用基于规则的方法，对激光数据进行分析，获得典型的可通过区域和障碍物区域。假设机器人所处位置前方较近距离内大部分区域为可通过的平整地面，本文利用这一合理假设提出如下方法:在一行激光扫描中，若激光束击中的是地面，则这些激光束得到的距离数据在激光中心线方向上的投影值会在某一较小范围内波动，据此可将此范围内的数据点标记为可通过的，将此范围外的数据点标记为不可通过的（或障碍物）。　　 (2)针对自监督学习的特点，选取适用于自监督学习的特征组合。包含距离、颜色、纹理的组合特征可以使分类器获得很高的分类准确率，也可以较好地应对光照等外部条件的变化，但其缺点是特征提取和分类耗时多，影响机器人的实时性。此外，依据本文自监督学习的特点，分类器不能对视场中所有区域进行训练，只能训练由(1)所标记的部分典型区域，这使得那些对尺度或形状变化敏感的特征不再适用，本文将通过理论分析和比较实验获得特征个数少而全面、对尺度形状或距离变化不敏感的特征组合（CIELAB颜色空间三个分量的均值和r值g值），以满足机器人对分类准确率、实时性和适应性的要求。　　 (3)设计自适应地形分类算法。本文利用激光数据和视觉图像数据在探测距离、数据精度、分类可靠性等方面的不同，充分利用各自优势特点，提出一种基于激光和视觉的自监督地形分类方法，并按传感器扫描速度的不同分两类在多组数据集上进行了丰富的实验，验证了本方法的可行性和适应性。