随着汽车领域的不断发展和科技的进步，智能汽车、无人驾驶等技术成为当下的研究热点。车辆识别作为无人驾驶领域的关键技术，迅速成为一个热门研究方向。传统的车辆识别方法多依赖于图像数据，而图像数据作为3D空间的投影，缺少对三维物理空间的结构描述。激光雷达可快速采集空间物体的表面坐标，但由于物体遮挡以及雷达线性扫描原理，造成点云数据具有稀疏性和无序性，使基于点云数据的车辆识别存在挑战性。本文针对上述问题，研究了稀疏点云数据的车辆目标识别算法。改进了现有点云车辆识别方法中的不足，能够快速有效的识别环境中的车辆，为无人驾驶以及智能机器人提供有力的技术保障。主要研究内容及改进如下:
　　(1)研究了点云数据的两种特征编码方法，体素特征编码和鸟瞰图特征编码。鸟瞰图特征不存在目标重叠，可以有效的避免物体遮挡带来的负面影响。通过改进点云特征金字塔网络，融合两种不同编码方式的特征以及不同尺度的特征，提出了基于双特征编码融合的车辆识别方法。该方法对于存在遮挡的目标车辆识别具有更强的鲁棒性。
　　(2)研究了点云与图像的变换矩阵，结合成熟的二维识别方法，提出了基于图像映射的点云车辆识别方法。该方法通过YOLO算法识别图像中的车辆，利用图像与点云数据间的变换矩阵缩小目标点云范围筛选目标点，改进了K-means聚类算法对车辆识别结果进行优化。可以快速有效的识别点云场景的车辆，对于点云数据的车辆识别方法具有更好的精确度。
　　最后，利用KITTI数据集分别对两种方法进行实验证明，基于双特征编码融合的车辆识别方法，减小了物体遮挡对车辆识别的影响。基于图像映射的点云车辆识别方法，增加了车辆模型的识别率，分别达到了92.34％、88.03％和81.38％。