车路协同是智能交通系统的重要研究方向,先进传感器已经成为了智慧道路基础设施不可或缺的一部分。激光雷达是一种新兴的空间测距传感器,具有探测距离远、测量精度高、全天候工作等优点,已成为未来交通监控设备的有力选择。本文围绕基于路侧激光雷达的交通目标识别——这一智能交通系统中的基础课题展开研究。为此,本文搭建了路侧激光雷达监控系统,对其采集的真实交通点云数据进行细致分析,并设计了包含检测与分类两步骤的点云交通目标的识别算法。在此基础上,针对识别算法在实际部署时的场景切换过程中出现的灾难性遗忘问题,本文对其的原理机制进行了探究,并针对性的提出了分别适应多种部署条件的跨场景迁移算法。本文的主要贡献如下:（1）本文设计了路侧激光雷达监控系统的部署方案,搭建了用于实验的实物系统采集真实交通数据,并建立了大规模的点云交通目标数据集用于后续研究。在对路侧激光雷达点云的数据的结构特征与道路空间覆盖特征的分析基础上,继而提出适应于交通场景、包含背景滤除与噪声滤除两功能的点云预处理算法。（2）针对点云数据的无序、稀疏等处理难点,本文提出了包含检测与分类两步骤的点云交通目标识别模型——首先检测出场景中所有的交通目标个体,然后根据其形态特征分别判断其类型。针对点云交通目标的检测,我们在对经典DBSCAN算法进行细致分析的基础上,提出了改进的Grid-DBSCAN算法,在保留前者优点的同时还大大降低了算法复杂度,实现了目标的实时检测。针对点云交通目标分类任务中的交通目标形态缺失、相互遮挡等不利条件,我们在由Grid-DBSCAN算法检测到的点云目标基础上,训练了卷积神经网络模型GC-net。其提取高维隐式局部特征克服了点云目标中数据稀疏与形态缺失带来的挑战。多场景实验结果证明,Grid-DBSCAN的平均检测召回率可达96.59%（IoU≥0.7）,计算时间低至0.027s;GC-net的多场景平均分类正确率可达89.02%;Grid-DBSCAN+GC-net组合的多场景平均识别正确率可达86.34%,综合表现明显优于同类算法。（3）针对基于深度学习的交通目标识别算法在多场景切换时产生的灾难性遗忘问题,本文在分析其成因的基础上,提出了基于原型微调与知识蒸馏的两种模型迁移算法。原型微调算法将在场景切换时锁定卷积层参数,使用嵌入平均、均值漂移和高斯混合模型等手段微调原型向量;知识蒸馏算法将使用“教师-学生”网络结构,在场景切换时以旧模型中的知识指导新模型的卷积层更新,从而以较少的代价为新场景训练模型。以上算法既可以单独使用,也可以组合使用。本文设计了多条件下的场景切换实验,用于分析各种迁移算法组合对于不同条件的适应性。