近年来,无人驾驶系统作为人工智能的重要应用领域进入实用化阶段。无人驾驶系统通过车载的传感器对周边的环境和自身的各种状态进行探测感知,再通过相关算法对周边环境进行识别,并赋予分类信息,供系统进行分析决策。其中,激光雷达是一种在该领域具有应用前景的传感器,所以研究其点云处理方法非常重要。基于对三维点云的语义分割,本文主要分为以下两个方面的内容:(1)采用传统点云分割方法:先进行地面滤波,然后对剩下的点云采用kmeans和谱聚类等多种聚类算法进行聚类处理,得到分割结果。其中kmeans聚类会依赖于分类类别数的选取和初始化的中心点的选取,并且对噪声点敏感;meanshift聚类算法聚类结果取决于带宽的设置,带宽设置的太小,收敛太慢,簇类个数过多,带宽设置的太大,一些簇类可能会丢失;谱聚类算法对相关参数选取直接影响了邻接矩阵的生成和聚类数目的多少,但是谱聚类有可以在任意形状的数据集上得到收敛于全局的聚类结果的优势;DBSCAN密度聚类效果则对选取邻域的半径和邻域内点云数目敏感,但是对数据集空间的形状不敏感。通过对各个方法的聚类过程和结果进行分析,发现传统方法的效果会依赖于手动设置的相关参数,这对无人驾驶系统自动适应复杂环境来说效率低下,泛化能力差。(2)采用神经网络进行点云分割:本文采用Semantic3D数据集,该数据集是是由安置在地面的静态激光扫描仪所采集的,避免了车载激光雷达在采集数据的时候远处的点云少,近处的点云多,导致分布不均匀的特点。借鉴了pointnet使用shared mlp和maxpooling解决点云无序性特点的结构,根据数据集的不同输入对相关参数进行优化,并根据数据集的特点对网络结构中的处理点云旋转的部分进行了精简,搭建了基准网络。然后根据pointnet在处理点云时缺乏对点云内部信息的提取的问题,加入了kmeans聚类方法以及meanshift方法对点云的局部信息进行读取来改善,将聚类得到的局部信息和基准网络的全局信息进行组合分类,使用Semantic3D数据集进行试验,该数据集分为完整版semantic-8和简化版reduced-8,本文使用semantic-8中的13个场景的数据集进行训练,再使用其余的数据集进行测试,相比于基准网络总平均准确率由74%提高到了79%和85%,分类准确率和召回率中大部分类目的指标有提升。