随着设备性能的不断提升、三维传感器的逐渐普及,计算机视觉任务逐步往三维方向发展,激光雷达因其能够提供精确的定位信息、很好的表征形状,同时抗干扰能力强,被广泛的应用到国内外各项军事、民用应用中。激光雷达获取的非结构化点云数据具有量大、无序且稀疏的特点,作为三维环境感知的关键技术,研究基于激光雷达点云数据的三维目标检测与识别算法是具有非常重要的意义。本文在路面环境下,以激光雷达传感器作为环境感知手段,重点研究基于激光雷达的三维地面目标检测与识别算法,包括多阶段方案和单阶段方案:多阶段方案研究分为地面点滤除、目标聚类、目标识别,并分别提出相应的算法;单阶段方案研究针对多阶段方案的耗时问题,提出基于深度学习的Point Yolo三维目标检测与识别网络模型。本文的研究内容如下:1)在激光雷达点云数据的预处理研究中,简要介绍Velodyne-HDL-64E激光雷达的相关指标,分析雷达水平、垂直距离分辨率的特点及点云数据获取过程中的黑白点噪声,并提出邻域插值补全算法、K最近邻(K-Nearest Neighbor,KNN)数值统计滤除算法分别进行黑点补全、白点滤除,经实验表明上述算法滤除噪声的可行性。2)在多阶段方案研究中,对地面点滤除,提出基于前视图的地面点滤除算法解决过滤除问题,同时避免地面点对地面目标分割的影响;对目标聚类,提出分层次欧式距离聚类算法解决距离相近目标聚类问题;对目标识别,提出自定义的典型特征,制作数据集并训练MLP(Multi-Layer Perception)全连接网络模型。经实验表明上述算法能够有效完成多阶段方案的目标检测与识别。3)在单阶段方案研究中,介绍3D点云数据集,并根据点云数据的特点对Point Yolo模型的构建进行说明。经实验表明Point Yolo模型能够有效完成目标检测与识别,同时预测目标框和目标类别,并与多阶段方案相比能够有效解决耗时问题。