地面移动智能机器人是一种可以在室内外环境中连续自主运动,集环境感知与理解、动态决策、动态路径规划、行为控制与执行等诸多功能于一体的高度自动化智能装置,智能机器人技术已成为各国高科技领域的一个研究热点。环境理解是实现机器人自主移动的关键技术之一,激光雷达是一种主动探测传感器,由于其具有能够直接得到三维空间信息、几乎不受光照条件影响等特点,因而成为一种重要的环境感知传感器。针对基于激光雷达的地面智能机器人环境理解关键技术,本文从底层数据融合、点云聚类、帧匹配技术、环境特征提取和可通行区域检测等方面展开研究工作。研究中使用的激光雷达传感器包括单线雷达、多线雷达、面阵雷达以及线扫描雷达等多种系列,涉及到了当前国内外地面机器人平台上配备的主要激光雷达类型。本论文的主要研究成果如下：针对点云聚类问题,提出一种基于密度变化和空间分布不同的点云聚类算法,将基于信息理论的聚类优化方法融入基于密度的聚类算法,使用局部压缩编码值作为评判点云聚类结果的依据。该算法可以自适应计算近邻半径,在一定程度上可以区分密度相似但是空间分布明显不同的点云区域。针对可通行区域检测问题,提出一种基于激光雷达数据的可通行区域提取方法。算法首先使用模糊预测模型结合可通行区域特征,在单条激光雷达扫描线数据中提取初始可通行区域,然后利用帧间或扫描线间的时空关联,优化提取结果,提高可通行区域检测正确率。针对激光雷达与摄像机联合标定问题,设计一种箭头形标定板,使用基于点特征的方法进行激光雷达和摄像机的联合标定。针对高密度彩色点云数据,使用结合几何特征和颜色特征的复合特征向量训练分类器,进行地形分类,得到了比单独使用几何特征更高的分类正确率。针对激光雷达数据帧匹配问题,分别提出适用于单线激光雷达数据的基于点-线匹配的帧匹配算法和适用于面阵激光雷达数据的基于点-面匹配的帧匹配算法。算法在激光雷达数据中分别提取线、面等几何特征,根据广义距离关联两帧数据间的几何特征,利用线、面特征匹配和点特征匹配分别估计旋转参数和平移参数,减少迭代计算。