智能驾驶汽车是具有感知其周围环境能力和自主规划路径能力的轮式机器人。近年来，智能驾驶汽车随着不断的创新和发展，逐渐走进大众的生活，于此同时智能驾驶汽车的行车安全问题一直被广泛讨论。
　　良好的环境感知能力是智能驾驶汽车实现自动驾驶的基石。由于目前基于摄像头的感知方案无法稳定地获取障碍物的位置信息，而激光雷达能够直接获取环境中被测物体的深度信息，为智能驾驶汽车提供可靠、丰富的环境信息，因此研究一种能够快速、准确、稳定进行目标检测的激光雷达感知方法具有重要意义。在智能驾驶汽车的夜间驾驶过程中，由于环境昏暗，乘客无法清楚地了解到道路信息，不利于乘客对突发情况做出必要的反应，同时容易导致焦虑和紧张情绪的产生。因此如何为乘客清晰地展现夜间行车环境是一个重要的课题。
　　本文主要的研究内容包括两个部分：第一部分为基于激光雷达的多尺度单极三维目标检测算法；第二部分为基于双通道生成对抗网络的红外视频彩色化算法。
　　论文的主要创新点如下：
　　1. 提出了一种能够同时满足实时性和准确性需求的激光雷达三维目标检测方法。目前大部分激光雷达三维目标检测算法不能够同时保证目标检测的准确性和实时性，因此无法保证智能驾驶汽车在复杂多变的环境中安全行驶。本文对 Martin Simon 所提出的 Complex-YOLO算法进行改进，提出了多尺度单极三维目标检测算法。该算法采用更合理的激光雷达数据预处理的方法，增加了人工提取特征中所包含的信息；提出多尺度信息传递机制，减少了神经网络前向传播过程中的信息丢失，从而在不牺牲太多算法计算效率的情况下，大幅提高了三维目标检测的准确性。
　　2. 提出了基于生成对抗网络的夜视红外视频彩色化方法。现有的红外视频彩色化算法通常需要人工设置彩色参考图像，并通过色彩传递对视频中的红外图像赋予色彩。这类方法无法满足实时性需求，应用场景简单且彩色化效果不够自然。本文首次将生成对抗网络应用于红外视频彩色化问题，在循环一致生成对抗网络的基础上，提出了适用于视频处理的双通道循环一致生成对抗网络。该算法通过生成对抗网络的思想学习红外图像到彩色图像的映射关系，无需人工设置彩色参考图像，应用场景广泛，可满足实时性需求，并能够为红外图像赋予接近真实的色彩和纹理。