地面智能机器人是一种可以脱离人的直接控制在地面实时地自主运行的机器人。对地面智能机器人的研究关注的主要问题是自主导航,而自主导航的关键技术是道路场景分割。地面智能机器人主要是根据视觉信息对其运动的环境进行理解,通过视觉传感器获取道路场景图像,对道路场景图像进行分割,识别出道路区域。在室外非结构化道路环境中,由于存在天气变化、光线强弱等复杂性因素,给获取的道路图像分割带来了困难,不利于机器人自主导航。如何提取稳定的具有高区分性的特征描述复杂多变的环境,如何对复杂的道路场景进行高效分割,是对地面智能机器人自主导航研究的主要内容。本文针对地面智能机器人自主导航中的道路场景分割技术进行了深入研究,其主要内容如下：(1)研究了道路场景图像分割原理,支持向量机原理及其相关理论,并研究了基于b-BTSVM的道路场景图像分割方法。(2)研究了基于b-BTSVM和超像素的阴影道路场景分割方法,利用SLIC Super pixel (simple linear iterative clustering super pixel)算法和K-means聚类算法依据像素点的灰度特征和位置信息,将场景图像划分成大小不等的超像素,超像素范围内的像素点具有同等的光照条件,且具有同质性。本文还提出一种适合在超像素范围内提取特征的窗口定位方法。采用对光照变化不敏感的LBP算法计算超像素的纹理特征,并同时结合对光照不敏感的HSV颜色空间特征组合成高维特征向量。使用b-BTSVM对图像中各类目标进行学习,构建分类决策面。在检测阶段,用同样的方法将场景图像划分成若干超像素,并提取一致的高维特征,用已有决策面进行检测,判别超像素所在的场景区域是否为道路区域。(3)研究了基于b-BTSVM的在线道路场景分割方法,首先使用K-means聚类算法对第一幅道路图像做初始化分割,并从其初始分割后的各类别区域中分别选取一定数量的样本作为训练集；然后使用b-BTSVM学习训练集计算出分类决策面,用于下一幅道路图像的检测；最后使用在线学习方法更新训练集,重新计算出分类决策面,如此循环检测。