复杂环境是影响履带车运动性能的一个重要因素,这种环境下的运动对于车体是一个极大的挑战,其中,军用履带车在进行军事活动或者越野时,需要根据各种复杂的环境,采取不同的运动控制方式,实现稳定可靠的运动。因此,车辆在运动或执行任务的过程中必须具备能够迅速分辨各种路面的能力。目前针对路面运动的研究都是围绕定位、导航和循迹等展开,其中的路面识别研究对复杂环境下履带车的稳定运行和自动调整具有重大的意义。本文研究基于支持向量机和深度学习网络的路面识别技术,实时识别地面类型,从而获得有效的扭矩控制履带车自主运行。本文的主要研究工作包括:（1）建立了复杂环境下各种路面的数据库,主要包括草地、雪地、石子地和泥地。收集大量的路面图像,根据收集到的图像制定一套统一的格式,并对图片进行预处理。通过规范数据库内的图片的样式,保证数据库内样本的可靠性。（2）提出了基于传统机器学习的路面识别方法,针对传统支持向量机（Support Vector Machines,SVM）二分类的短板,提出改进的支持向量机实现路面识别的四分类,解决了目标识别的多分类问题。最后,针对机器学习的训练特性,本文利用多组实验对比的方法训练出最佳的训练模型。（3）提出了将深度学习与路面识别结合的方法,基于本文的研究内容,对Alex Net、Goog Le Net、VGG16和Resnet101四种卷积神经网络的网络结构进行改进。实验根据不同网络的训练过程不同,分别建立对应的模型并优化,解决了模型训练时间长,网络深度较大的问题。最后,在传统机器学习模型和深度学习模型中挑选出识别结果优秀的模型应用到履带车上进行路面识别研究测试。（4）搭建实验平台,对路面特征和履带车受力进行分析,根据本文提出的方法识别出的路面类型,得到车辆行驶的最优输出力矩,实现对车辆的控制。最后,达到识别出不同路面后控制车辆扭矩的输出效果。本文研究基于智能履带车的多种路面识别方法,实时获取准确的地面类型,并通过履带车实验平台验证了路面识别方法的可行性,为智能履带车的研究提供了新的方向。