随着硬件和软件的进步,计算机技术的应用也在飞速发展,计算机技术和传统汽车相结合诞生了无人驾驶技术,其包括环境感知技术、定位技术、智能决策技术、路径规划技术,控制技术,其中环境感知是后续技术的重要基础,感知的效果决定着无人驾驶汽车的行驶安全。激光雷达是感知技术中关键传感器之一,其优点是测距较远、结果较为准确、不易受光照影响,但是目前市场上高分辨率激光雷达价格极高,低分辨率激光雷达采集的点云数据较为稀疏,严重影响无人驾驶技术中的定位与路径决策的判断。因此本文针对当前感知技术中激光雷达存在的相关问题,提出一种基于模拟退火算法优化遗传算法,配准多激光雷达点云数据的方法,经过实际数据采集和相关实验分析,该方法在提高激光雷达配准精度上有着应用可行性。主要工作如下:（1）针对激光雷达采集的点云数据出现噪点、杂点、庞大的冗余数据等问题,本文基于体素滤波方法,提出了一种自适应体素滤波方法,根据过滤比例来自适应调节体素网格边长,解决滤波过程中边长过大导致的滤波剩余点过少、丢失关键特征等问题,和边长过小导致的滤波效率低下问题。（2）针对多激光雷达点云配准问题,本文基于模拟退火算法来优化遗传算法,将搜索局部最优解能力较强的模拟退火算法与搜索全局最优解能力较强的遗传算法相结合,应用于点云配准中的求刚体变换最优解,从而将多激光雷达点云相结合,弥补单激光雷达点云稀疏的问题。（3）为验证本文提出的自适应体素滤波方法,在实际场景中采集点云数据进行滤波,实验表明,本文滤波方法在保留源点云关键特征的基础上,可以根据需要的过滤比例来自适应调节体素网格边长,避免人工给定边长所产生的问题。（4）为验证本文提出的多激光雷达点云配准算法的实用性和精度,在实际采集的点云数据基础上,将多个16线激光雷达点云分别与基准点云进行配准,并将配准结果和传统的点云配准算法结果相比较。实验结果表明,本文提出的配准算法相比于传统点云配准算法精度有所提高,对于点云配准的刚体变换参数求最优解问题有着应用可行性。