智能驾驶技术作为近年来结合人工智能、5G云计算和车联网的信息化与工业化结合的代表,能够直接或辅助驾驶员进行车辆控制,避免由于人为因素导致的交通事故,并通过合理的路径规划策略有效缓解交通拥堵问题。车辆目标识别是智能驾驶技术中环境感知模块的重要组成部分,它能为智能驾驶提供最基本的道路信息,以确保车辆行驶的安全性。车载LiDAR系统由于可以获取高精度的点云数据,且受光照条件影响较小的优势,被广泛应用于车辆目标识别中。但是,由于获取的点云数据量大、空间疏密程度不均匀等特性,从车载LiDAR点云中精确识别车辆目标是一项具有挑战性的任务。为了解决道路环境中车载LiDAR点云车辆目标准确识别的问题,达到适用于实时帧点云和离线点云数据且能够提高车辆目标识别精度的目标,本文基于实时帧点云数据和离线点云数据,在充分考虑点云数据特性的基础上,开展了点云数据预处理、地物目标聚类分割和车辆目标支持向量机分类识别的研究,主要研究工作和结果如下:（1）为了减小车载点云数据量大对处理效率的影响。研究了实时帧点云和离线点云预处理方法流程,主要包括感兴趣区划分、重采样、噪声点剔除和地面滤波等方法。另外基于车辆目标高差特征,设计了一种顾及道路面局部起伏变化的网格高差特征候选点提取方法,从而减少非车辆点云数量,达到缩减需要计算的点云数据量的目的。（2）为了优化点云数据目标分割过程中存在的欠分割和过分割状况,研究了基于点云分布特征的分层次距离阈值自适应连通性分析方法。按照激光点到扫描仪的空间距离划分区域,对不同区域设置不同的邻域搜索半径阈值,并利用kdtree算法加快邻域搜索速度,对点云高效管理与检索,从而改进目标分割的准确性和完整性。（3）研究了基于先分割后识别的车辆目标识别方法。对分割后的目标提取多层次的特征,并对特征重要性进行评价;然后采取KITTI数据集样本与人工标记样本混合的方式,构建用于支持向量机分类器模型训练的样本库;接着完成最佳模型的训练,并利用得到的模型对实验数据进行车辆目标识别。（4）利用KITTI单帧数据与实测离线点云数据,采用先分割后识别的方法进行试验,实验结果表明,本文的方法与目前使用较多的基于最小包围盒模型匹配和基于栅格地图的支持向量机车辆识别方法相比,对两种类型的数据都取得了更高的的识别精度,综合精度提高大于5%。