目前,通过传感器快速检测周围环境并精准识别目标信息的环境感知技术,已成为智能驾驶领域的重点研究方向之一,其中,将激光雷达和视觉相机等传感器的数据进行融合的技术,被视为可提升识别目标信息准确率的有效方法。因此,本文结合激光雷达和视觉相机精准的空间探测能力和对真实图像的还原能力,提出了一种基于检测框重合度的特征级传感器融合方法,旨在增加数据获取信息量的同时,以提高所识别目标的准确率。本文的主要研究内容和结果如下:（1）对激光雷达的目标检测方法进行研究:首先,基于激光点云预处理方法,针对点云数量大、无效点云多等特点,采用体素滤波方式对点云进行处理,从而降低点云密度至合理值范围,以提升聚类算法的运行效率;再者,对滤波后的点云进行地面分割,减少大量无效点云的干扰,以此提高后续聚类算法的精度。此外,通过分析影响欧式聚类算法效果的各种因素,提出一种基于点云间距和密度的动态阈值欧式聚类优化方法,即当障碍物在不同空间位置及不同角度时,欧式聚类环节的点云距离阈值随之改变,进而可降低欧式聚类算法的欠分割率。（2）对激光雷达与视觉相机的融合方法进行研究:一方面,根据车体中各传感器坐标系间的相互转换关系,将视觉相机与激光雷达进行联合标定,计算激光雷达坐标系到像素坐标系的转换矩阵以实现将三维激光点云投影至二维图像的效果。另一方面,以上述欧式聚类优化算法可使三维检测框精准输出量有所提升为依据,提出一种激光雷达检测框与相机检测框重合度的特征融合方法:将像素坐标系中两个检测框的重合度作为融合基准,确定准确的目标信息,以减少标定和硬件自身误差对传感器融合效果的影响;同时将激光雷达聚类和相机目标检测结果分别设定为目标深度信息和类别信息的输入量,并将其作为同一目标的检测结果而输出到感知系统,为下一步的系统决策模块提供目标感知的参数依据。（3）对激光雷达目标检测算法与传感器融合感知方法进行实验对比分析:通过对点云预处理、激光雷达目标检测、多传感器联合标定、传感器融合感知等四个方面的实验结果进行分析后获知:本文提出的欧式聚类优化算法相比于传统算法,欠分割率降低9.23%,聚类个数可提升约3.58个。同时,所构建的传感器融合方法能有效结合激光雷达与相机图像的感知结果,相较于未考虑标定和硬件误差的传统融合方法,漏识别率可降低约19.1%。本文提出的聚类优化算法与传感器融合感知方法望为丰富与完善环境感知技术提供一定的参考借鉴作用,同时本文研究仅针对低速场景及封闭道路进行实验。