在建设汽车强国的政策方针下,智能汽车在增强驾驶安全性与提升道路交通效率方面具有的潜在优势,受到了研究人员的热切关注。多目标检测与跟踪算法作为环境感知技术的重要组成部分,为后续规划决策与运动控制算法提供了必要输入,对提升智能汽车安全驾驶能力有着重要的作用。在智能汽车的环境感知传感器中,激光雷达凭借其高精度的三维感知能力成为智能汽车的重要传感器。现有基于激光雷达的多目标检测与跟踪算法无法充分利用激光雷达三维点云丰富的特征信息,导致了检测算法特征提取能力差,大小目标感知能力不均,跟踪算法在快速、准确进行复杂轨迹关联与管理上存在困难。本文针对上述问题,提出了基于激光雷达的道路多目标检测与跟踪算法,充分利用了激光雷达特有的高精度三维信息感知优势,为智能汽车构建了更为高效的环境感知算法,主要研究内容与成果如下:（1）基于激光雷达的多目标检测算法设计。Center Point算法能够快速且准确的完成对小目标的检测,然而受限于特征提取能力,其大目标检测较其他算法并无优势。针对此问题,本文对其进行了大量改进工作:构建软体素化过程,减少特征体积,优化体素化进程,有效的避免了硬体素化随机采样与体素填充造成的检测精度抖动;运用残差结构改进三维主干网络,有效提升三维主干网络特征提取能力;提出了自校正卷积空间语义特征聚合模块,有效融合了点云空间特征及语义特征,提升网络特征表达能力;引入Io U（Intersection over Union）预测分支,解决了传统检测中存在的置信度误用问题,避免了高Io U预测框的丢失。在ONCE数据集上的实验结果表明,本文提出的改进算法有效提升了检测精度。针对车辆、行人、骑行者三种类别,检测精度分别提升了12.14%、3.44%、6.96%,算法平均精度综合提升7.51%。（2）基于激光雷达的多目标跟踪算法设计。实际道路交通中大量目标快速运动且相互遮挡,跟踪算法在快速、准确的对这些目标进行轨迹关联与管理上存在困难。针对此问题,本文首先构建了基于三维运动模型的GIo U（Generalized Intersection over Union）关联距离,有效避免了误关联,提升了跟踪精度;其次提出双波门稀疏关联矩阵,加速GIo U关联矩阵计算,通过对关联矩阵的分解减小计算维度,实现了对算法速度的有效提升;随后改进了匈牙利算法运行方式,避免填充输入矩阵所带来的性能损失;最后设计了基于置信度的轨迹管理方法,解决了复杂轨迹生成与消亡判定困难的问题。在KITTI数据集上的实验表明,本文所提出的方法较基线AB3DMOT方法在MOTA指标上提升了1.64%,在MOTP指标上提升了3.58%,同时算法运行速度达到了375.3FPS,满足智能汽车的实时性需求。（3）激光雷达多目标检测与跟踪算法的实车部署与测试验证。基于本课题组搭建的智能驾驶实车测试平台,在Ubuntu系统下采用ROS平台搭建算法运行框架,完成激光雷达数据的实时接入与算法结果的实时输出;使用遗忘因子序贯卡尔曼滤波,保证了算法长时间运行的稳定性。实车测试结果表明本文所提出算法的有效性与可靠性。