在感应电能传输技术的实际使用中,原副边线圈之间都会存在一个磁场耦合区域,异物很容易进入原边线圈表面,严重影响系统的稳定性,降低系统效率,甚至损坏器件,引发火灾。异物检测技术（Foreigner Object Detect,FOD）因此应由而生,并成为了无线电能传输技术的重要分支。异物检测系统需要对进入耦合磁场中的异物进行快速检测,保证充电过程的安全性和系统的可靠性。阻抗特性的检测原理,是基于不同类型的异物进入磁场后引起磁场参数的变化规律,通过电路将其磁场参数的变化转为为电压幅值和相位差的变化,因此可以通过提取异物造成的幅相参数变化进行检测。本文围绕着基于阻抗特性的异物检测系统的关键技术问题,如检测线圈设计,检测电路设计,数据的特征选择和提取,机器学习模型的构建等方面展开研究。最终通过进行实验,验证了此方法在实际应用中可以快速实现对异物的检测和分类。本篇论文的主要工作和研究内容是:（1）基于阻抗特性的异物检测原理分析通过研究非铁磁性金属和铁磁性金属进入交变磁场引发的涡流效应或磁效应,分析了金属进入耦合磁场中引起的阻抗参数的变化;得到了各个变量引起的阻抗参数变化规律;（2）异物检测线圈的分析与设计对检测线圈的形状,绕制方法,放置方法进行了研究,仿真分析了各种情况下的耦合磁场分布情况,最终采用合适的线圈规格,设计相应的硬件检测电路;（3）机器学习算法的研究采集各类异物的幅相变化数据,确定合理的参数变化阈值,然后并对数据预处理方法进行了分析和研究。设计了基于机器学习的异物检测学习模型,对特征提取、模型构建、通信算法等部分进行了重点分析与设计。对样本数据进行数据划分,构建了主要模型,训练模型使之能够快速判断异物种类,并进行模型优化。采用了串口通信方法,实现了外设检测板与PC端Windows系统的实时通信;