随着经济发展水平的提高,汽车的数量持续攀升,交通事故的发生率也不断增加。智能辅助驾驶系统可以通过给驾驶员提醒和指导来降低交通事故的发生率。车辆检测是智能辅助驾驶系统的关键,不仅能够为障碍物检测提供线索,也有利于车辆路径规划。车载激光雷达扫描测量是继GPS之后测绘领域的一种高新测绘技术,能够快速高效地获取目标物体表面详细的三维信息,为数字城市、路况仿真、环境测量、地图导航等领域实现快速3D建模提供了一种全新的手段。因此,如何有效地处理激光点云数据具有实际的应用意义。在此背景下,本文以车载激光扫描系统作为三维信息的获取方式,研究车载激光雷达点云数据的处理算法,重点解决激光点云的车辆检测问题。为了提高现有车辆检测算法的准确性和鲁棒性,本文提出了一种在复杂道路环境下基于三维激光雷达的车辆检测算法。首先利用基于彩色布料模型的地面分割算法分离地面点与非地面点,在降低后续处理计算复杂度的同时,有利于后续局部特征的提取和后续目标的聚类分割;针对传统聚类算法在复杂场景下目标粘连的问题,本文提出利用超体聚类算法实现非地面分割,并用最小割算法对粘连目标进行分割精确性的优化。实验结果表明超体聚类在保留点云数据局部边界特征上具有较好的效果;最后,本文提出了一种结合3D CNN和车牌检测的车辆识别方法。设计合适的3D CNN网络从大量样本中自动学习样本的特征。针对部分车辆信息不完整提出了车牌检测法。实验结果验证了本文所提车辆特征的有效性,降低了车辆检测算法的漏检率。在公开数据集上进行定量和定性分析,实验结果表明本文方法在复杂场景下能够有效的检测出周围车辆信息,具有较好的准确性和鲁棒性。