自从汽车诞生起人们就开始了对无人驾驶的无尽幻想。对于无人驾驶来说,难度不在于控制车辆而是在于如何让计算机代替驾驶员观察道路环境,这一点正是道路环境感知技术所研究的目标。具体而言,道路环境感知技术要能捕获道路环境信息,分割道路当中的地面信息和各种障碍物并确定障碍物类别和位置。道路环境感知技术的提升对无人驾驶的技术研究和实际应用都有着重大价值。论文设计了基于三维激光雷达的道路环境感知系统,包括道路环境三维点云信息采集、点云信息预处理、基于连通域标记的点云分割和基于SVM的点云分类算法、基于改进Unet神经网络的体素分割算法和基于边界框生成的障碍物定位算法。点云预处理环节包括感兴趣区域划分、体素化和地面点云分割三部分。海量的点云数据经由感兴趣区域的划分和体素化处理,数据量大大减少。之后对比己有的基于随机抽样一致性和基于体素栅格高程差的地面点云分割算法,根据其不足和点云信息的特点,设计基于双阈值的地面点云分割算法。实现对于道路环境中地面与坡面的点云分割与滤除。障碍物点云的分割环节采用两种方法实现,一是基于连通域标记和SVM的障碍物点云分割分类算法。结合点云图像特征,采取基于多尺度的连通域标记算法完成对障碍物点云分割,降低过分割现象。之后选取障碍物点云的几何外形特征及激光强度等特征训练SVM分类器,实现对分割后的障碍物点云的分类。二是基于改进Unet神经网络模型的体素分割算法。分析彩色图像领域常用的两种分割模型Unet和Deeplab的特点与其应用在点云图像中的困难。之后根据点云图像的特性,改进Unet网络模型。同时设计二值图优化方法,优化点云图像的体素分割效果。点云障碍物定位采用基于边界框的障碍物定位算法。首先对比己有的基于最小矩形框和基于距离和的边界框生成算法,分析其优势和不足并结合障碍物点云的特点,设计基于补点的边界框生成算法。通过计算边界框的几何中心实现对障碍物的定位。最终基于三维激光雷达的道路环境感知系统可以实现对校园和园区的道路环境点云信息的采集、道路环境中行人、车辆和其他障碍物的分割与分类以及行人和车辆障碍物的定位,准确率高达92.8%。