近年来,随着汽车工业的迅猛发展,无人驾驶技术也越来越受到研究人员的重视。在无人驾驶的感知、决策、规划、控制四大模块中,感知部分是后续模块得以可靠运行的基础。环境感知模块通过分布在车身各个位置的传感器来获取准确的环境信息。由于单一传感器只对某些特定的环境信息作出反应,难以获取到全面的环境信息,由此产生的基于传感器融合的目标检测研究课题通过整合各个传感器的优点,实现获取全面环境信息的目的。在辅助驾驶以及将来的无人驾驶汽车上,激光雷达因能提供目标准确的空间信息而受到青睐;摄像头则由于其价格低廉且利于目标识别的特点而被广泛应用。融合激光雷达与摄像头的感知结果,可以实现两传感器的优劣互补,获取障碍物的种类及距离信息。因此,本文提出一种基于激光雷达与摄像头融合的目标检测方法,实现对道路目标的检测与识别,具体研究内容如下:（1）基于图像识别的目标检测研究。本文采用YOLOv4神经网络模型作为图像识别的模型;模型训练采用的是Pascal VOC数据集与自建的数据集混合的方式进行训练,主要改善了各个标签类别的比例,实现了对常见道路目标的准确识别。实验结果表明,YOLOv4模型在检测精度与速度上都能满足智能驾驶的要求。此外,还建立了基于摄像头的单目测距模型,实现了前方障碍物距离的提取。（2）激光雷达的数据处理。本文先对原始的点云数据进行滤波和降采样,然后采用改进的地面分割算法对地面点云进行分割,不仅能将平坦地面的点云分割出来,还能识别出坡道;对非地面点云采用改进的DBSCAN（Density-Based Spatial Clustering of Applications With Noise）聚类算法,将聚类阈值由固定阈值改为了随着障碍物距离改变而改变的变距离阈值。实验结果表明,改进后的聚类算法有效的减少了过分割与欠分割的问题,使得目标检测准确率有了明显改善。（3）激光雷达与摄像头联合标定。本文首先使用基于Autoware框架下的联合标定工具包进行对传感器进行标定,由于标定过程中需要手动选取对应的特征点对,人为选点是造成标定误差的重要原因。因此本文采用改进的联合标定算法,使得特征点对的提取由人为指定变为自动选取,降低了标定误差,提高了标定速度。（4）基于数据融合的目标检测与识别研究。将激光雷达对障碍物的检测结果（聚类结果）投影到图像上与摄像头的识别结果形成各自的矩形检测框,然后利用多假设思想构建关联概率对两传感器的检测结果进行关联,最后对关联后的结果建立融合测距模型,提取目标的距离信息。