近年来,随着人们对安全和自由支配时间的诉求,全球兴起无人驾驶研究的浪潮。对于无人驾驶来说,快速准确地感知车辆周边环境是无人车安全稳定运行的关键。在多种传感器中,多线激光雷达因具有高精度和不受环境光影响的特点而被广泛应用于无人驾驶领域。基于车载激光雷达点云数据的目标检测算法目前已取得了一定的进展,但是应用于无人驾驶领域还存在以下不足:(1)时间复杂度高,检测时间太长;(2)精度低,漏检或者误检太多;(3)用以训练深度神经网络的数据标签难以获取。针对目前点云目标检测所面临的问题,本文以点云标注、数据预处理和网络设计三个任务为主设计了面向无人驾驶的激光雷达点云高速目标检测算法。本文将点云数据标注细分为地面点去除、彩色点云合成和标注工具设计三个子任务。点云标注一般分为两步:寻找目标和用合适的三维框框住目标。地面点的存在将大多数物体连接到一起,不仅增大了寻找目标的难度,地面点与目标直接狭小的空隙也是三维框调整的难点。在原始点云图中,每个点只有物体位置和激光反射信息,难以寻找目标。将颜色信息赋值给点云形成的彩色点云图,这样目标纹理信息更加明显,更方便寻找目标。同时,本文改进的标注工具在找到目标之后,可以根据目标大小自动拟合目标边界框框尺寸。数据的预处理主要是针对点云数据的无序性和稀疏性,根据无人车所需的环境信息,设置目标区域分割点云,并将点云体素化处理成可用于卷积神经网络的结构化数据。本文设计了基于深度残差网络结构的单步目标检测算法,将预处理的数据直接输入网络,在主干网络中提取特征,然后在报头网络中进行目标分类与属性回归。本文在公开数据集对所提算法的检测精度和检测速度进行了测试与定量分析。结果表明,本算法在取得很好的检测精度的情况下,检测速度非常快,达到了实时性的要求,取得了较为理想的检测效果。