障碍物检测是移动机器人环境感知技术研究的重要内容。传统的障碍物检测方法需要人工调节参数。引入机器学习进行障碍物检测可以降低人工参与和提高移动机器人智能程度,也可以更好的处理输入的高维信息。传统的监督学习算法只利用已标记样本进行学习,而移动机器人的工作环境复杂多变,道路状况和障碍物变幻莫测,为了尽可能准确地检测障碍物,需要对大量的样本进行人工标记以建立完备的训练样本集,非常耗时耗力。针对上述情况,本文引入半监督学习方法,分别应用自我训练和协同训练,首先利用少量的已标记样本建立初始分类器,然后利用大量未标记样本不断更新分类器,从而提高分类器的性能。本文针对环境感知图像数据进行了大量实验:运用分块策略,分别进行颜色特征提取和纹理特征提取,获得少量的已标记样本和大量的未标记样本,然后在k-近邻算法基础上,引入半监督学习中的自我训练和协同训练进行障碍物检测。实验结果表明,引入半监督学习后,在只有少量的已标记样本的情况下,就能达到较高的障碍物检测率和分类正确率。