在复杂环境中行驶的移动机器人,它的自主移动性很大程度上决定了执行任务的成功与否。决定移动机器人自主移动性的重要因素是地形探知识别能力,移动机器人必须具备识别并安全通过各种未知地面的能力,因此地面分类是一个重要研究方向。目前对地面进行分类的研究大多是应用基于激光雷达和视觉的方法,但是容易受光照、地面覆盖物的影响,不易识别松软地面,因此本论文采用基于振动信号对地面进行分类。不同于雷达和视觉的非接触式感知,振动信号可以真实反映地面承载层信息,是对基于传统视觉的地面分类的重要补充。本文对地面分类方法的研究包含三个部分,一是给出特征提取方法,二是基于受限玻尔兹曼机的分类器设计,三是基于D-S证据理论的融合算法。本文介绍了实验数据采集系统及数据采集实验过程。在实验中移动机器人分别以5种速度在沙、碎石、草、土、沥青5种地面匀速行驶,通过安装在机器人四个轮臂上的三向加速度计和z向传声器来采集轮地之间激发的振动信号,为后续地面分类算法研究提供数据支持。对原始实验数据进行预处理分段,构建基于双隐层受限玻尔兹曼机(DHL-RBM)网络模型,并成功用来提取振动信号的特征;给出原始振动信号基于奇异值分解(SVD)和时域幅值分析(TADA)的特征提取方法,获得特征样本集合,用于后续的地面分类算法的研究。本文阐述了分类受限玻尔兹曼机的模型,并且考虑到DHL-RBM提取的特征是概率,SVD与TADA提取的特征是实值的特性,在5种速度下分别基于DHL-RBM、SVD、TADA的特征提取方法,给出基于标准分类受限玻尔兹曼机和高斯分类受限玻尔兹曼机的地面分类算法,对5种地面进行分类,得到地面分类结果并以概率形式输出,还进行分类方法的实时性分析。考虑到上述3种特征可以体现数据本身的不同方面,以及分类受限玻尔兹曼机对3个特征分类结果的差异性,给出基于D-S证据理论的分类受限玻尔兹曼机融合方法,分别进行了两两融合和3个融合来提高准确率,还进行融合方法的实时性分析。相应的分类实验验证了所给算法的有效性。