Одной из основных и наиболее сложных задач при разработке систем автодвижения является классификация рабочей зоны мобильного робота. По результатам классификации строится локальная карта местности, с помощью которой затем осуществляется планирование траектории движения робота. В статье предложен метод классификации рабочей зоны автономного мобильного робота, перемещающегося в условиях пересеченной местности. Разработанный метод классификации основан на анализе трехмерного облака точек, полученного лазерным сканирующим 3D-дальномером. Использование сканирующего лазерного дальномера позволяет выполнять классификацию зоны движения робота в любое время суток и года. Предложен набор классификационных признаков, вычисление которых осуществляется с использованием метода наименьших квадратов и элементов теории вероятностей и математической статистики. Классификация рабочей зоны робота проводится по четырем классам: "Ровная поверхность", "Малая неровность", "Большая неровность" и "Препятствие". Каждый класс характеризует степень проходимости поверхности, по которой происходит движение робота. Результаты классификации сохраняются в виде локальной карты проходимости. В каждую ячейку такой карты записывается число, которое характеризует проходимость участка рабочей зоны, ограниченного данной ячейкой. Разработанный классификатор интегрирован в состав бортовой системы управления колесным мобильным роботом. Приведены результаты экспериментальных исследований, проведенных в условиях пересеченной местности в различное время года и суток и подтверждающие работоспособность и эффективность предложенного метода классификации. Определена точность распознавания классов рабочей зоны мобильного робота. Разработанный классификатор успешно работает в различных условиях, в том числе зимой и в сумерках, но при этом имеет ограничения при работе в условиях естественных шумов, таких как дождь, снег. Средняя точность классификации при минимальном влиянии шумов естественного происхождения составляет 92,3 %, а время выполнения каждой итерации не превышает 0,085 с, что позволяет использовать разработанный классификатор в составе бортовых систем управления автономными мобильными роботами.