基于垂直动载的路面不平度的研究在交通领域中具有重大的意义。可以应用到汽车室内模拟试验进行响应力的模拟，实现道路模拟试验本质的飞跃。还可以应用于路况监测，准确决定道路维修时机，节省庞大的维修经费。准确地进行数据处理是响应力模拟的关键。基于垂直动载的路面不平度识别在汽车研发的重要地位使得该技术处于保密状态，国内外没有数据处理方面的文献见诸报导。基于垂直动载的路面不平度识别有几个难题需要解决。首先汽车在路面行驶时，测得的垂直动载包含众多干扰信号，要使得垂直动载准确反映路面不平度信息，必须首先去除干扰信号。其次根据垂直动载准确识别路面不平度需要提取合适数量、合适类型的特征参数，这是整个问题的关键。最后分类器的类型和性能也是影响结果准确率的重要因素。根据上述问题，确定了本文研究的主要内容： (1)由于训练分类器需要大量的样本，而路面类型有限，提出了可行的样本构造方案。 (2)分析垂直动载的构成以及特点，为采用垂直动载识别路面不平度提供了证据。然后将其与语音信号进行了比较，在生成以及处理任务两者具有很大的相似之处。为后续的谱减去噪和特征参数提取提供了指导。 (3)分析了垂直动载信号中噪声的来源及类别，并根据不同的噪声类型分别采用不同的滤波处理——先用静态小波变换去除随机噪声，然后再参考语音信号处理中的谱减方法对周期性噪声进行了滤波。 (4)根据信号的特点，对小波分解系数参数、小波包分解系数参数、功率谱系数、倒谱系数参数、共振峰幅值参数、FFT分段系数参数和离散余弦变换系数等等参数进行了提取，并采用Fisher判据和自组织映射神经网络进行了特征参数的分类能力的鉴定，然后采用基于粗糙集的方法对特征进行了进一步的筛选。数据处理表明小波包系数参数和小波系数参数具有较好的识别路面不平度的能力。 (5)根据统计学习理论，按照两种减少期望风险的方法进了分类器的设计和比较。首先设计了RBF神经网络分类器，并对提高其泛化能力的方法进行了归纳，确定了较优的RBF神经网络分类器。然后基于核方法的设计了适用于基于垂直动载的路面不平度识别的支持向量分类机，确定了多分类的方法，得到了较为可靠的、正确识别率较高的路面不平度分类器。RBF网络和支持向量机分类器的最高正确识别率分别为50％和62.5％。 本文的研究成果对汽车室内道路试验的研究有极大的帮助，为汽车研发提供到了经济、有效、可靠的试验手段，将推动我国汽车产业的自主创新。