自动驾驶汽车行驶时道路中的其他车辆统称为环境车辆,对环境车辆的尺寸、位置、朝向等信息进行感知对于保障行驶安全具有重要意义。激光雷达点云反映了本车与环境车辆的空间关系,是实现环境车辆三维感知的重要数据来源。点云数据规模庞大且分布稀疏,如何从离散点云中提取有效特征是三维车辆检测与跟踪的难点。针对该问题,本文主要工作如下:（1）提出了一种基于体素柱形的三维车辆目标检测方法。利用稀疏卷积与最大值池化解决Point Pillars方法缺乏柱形间特征交互的问题;利用锚框点云占据位图进行无效锚框过滤,缓解难易样本的数量不平衡;采用混合置信度修正类别分支与定位分支的结果偏移。在KITTI三维目标检测数据集上的实验结果表明,本文算法与SECOND、Point Pillars等基准方法相比车辆检测精度更好,其中对于中等难度样本的平均检测精度AP3D分别提高2.69%与1.19%;运行速度为33.9帧/秒,可满足实时车辆检测要求。（2）提出一种基于孪生编码器的车辆目标时序关联方法。将目标框编码至高维空间并计算特征距离作为时序关联成本,引入三元组损失督促编码器学习真值匹配框的几何相似性;利用三维卡尔曼滤波、贪心匹配实现了三维车辆目标跟踪算法。在KITTI多目标跟踪数据集上的实验结果表明,本文提出的改进算法能够达到良好的车辆跟踪性能;并且在降频模拟的点云丢帧情况中,与基准方法AB3DMOT相比,改进方法平均多目标跟踪准确率AMOTA、平均多目标跟踪精确率AMOTP分别提升2.62%与1.41%,在丢帧场景中性能更优。（3）提出一种车辆目标检测与跟踪任务联合框架3DTracktor++。利用前一帧车辆目标检测结果生成先验候选区域,引导网络在目标出现概率较大的区域回归携带轨迹编号的车辆目标框;设计了候选区域补充模块用于生成补充候选区域,负责回归新进入场景的车辆对象位置并弥补先验候选区域潜在的位置偏差。在KITTI数据集上的实验结果表明,与单任务目标检测方法Voxel RCNN相比,本文所提出的任务联合方法平均检测精度AP3D更高,其中在中等难度样本上AP3D提高2.75%;平均多目标跟踪准确率AMOTA、平均多目标跟踪精确率AMOTP分别达到45.49%、78.18%,轨迹编号跳变次数为0。与常规“先检测后跟踪”算法相比,论文提出的联合算法有效提高了检测与跟踪精度。本文分别从点云特征提取、目标时序关联、检测跟踪任务联合等方面研究了基于激光雷达点云数据的三维车辆目标检测与跟踪问题,有效提高了检测、跟踪精度与算法效率,为自动驾驶汽车在环境车辆空间信息感知方面提供技术支撑。