【摘要】传统自动导向车（ａｕｔｏｍａｔｅｄ ｇｕｉｄｅｄ ｖｅｈｉｃｌｅ，ＡＧＶ）避障技术主要依赖于单一的传感器，在面对复杂环境时，往往难以全面、准确地感知障碍物信息，从而导致避障效果不佳。 针对上述问题，本文提出了一种基于多数据融合的 ＡＧＶ 移动路径避障物检测方法。 ＡＧＶ 通过搭载红外传感器和可见光视觉传感器来感知周围障碍物信息，利用红外图像和可见光图像的不同特性进行信息互补。针对红外图像，提取其颜色特征参数；针对可见光图像，提取其纹理特征参数。 将每个特征作为一个证据，通过 Ｄ⁃Ｓ 证据理论（ｄｅｍｐｓｔｅｒ⁃ｓｈａｆｅｒ ｔｈｅｏｒｙ）进行多特征数据融合，并计算各类别假设的信任度，将信任度最大的类别假设作为避障物检测结果。 结果表明：所研究方法的 Ｍａｔｔｈｅｗｓ 相关性系数要更大，且随着实验次数的变化，波动较小，说明在同一测试条件下，面对不同的场景，所研究方法在二分类任务上的性能更为出色。