随着人工智能的普及和传感技术的突破,无人驾驶技术近年来得到快速发展。多线激光雷达作为无人车主要的传感设备,其形成的点云数据对道路环境具有很好的描述能力。本文针对无序、稀疏和浮动的多线激光雷达点云存在的语义信息提取困难的问题,设计了基于深度神经网络的点云语义分割算法,实现了对道路可通行区域的正确检测和对动态障碍物的准确识别。其主要研究成果和创新点如下:在以激光雷达所在位置为球心的球状坐标系中,对点云进行竖直与水平方向的角度索引编码,将无序稀疏的道路场景点云转换为有序紧密的多通道特征图。通过基于全卷积网络的校园道路检测实验和基于点网络的点云分类实验,探究彩色图像、模型点云与点云多通道特征图在特征提取方法上的相关性,为点云语义分割网络设计提供理论基础。针对点云多通道特征图空间关联性强和特征表达丰富的特点,本文设计了用于道路环境感知的点云语义分割网络:针对点云图存在的数据空洞、特征错位等缺陷,设计了点微型感知机和特征跳跃连接模块进行改进,设计了集成基础特征提取和多层语义特征融合的语义分割网络,通过特殊模块的消融比较分析实验,证明了相关结构设计的有效性和必要性,并且在此基础上设计了高实时性和高分辨率的变种模型,应对不同的任务需求。实验分为离线仿真测试和实物平台实测两部分:在公开的道路场景数据集上进行多个点云语义分割方法的对比实验,结果表明本文提出的点云语义分割模型检测性能较为良好,在兼顾实时性的同时,提升了准确性和鲁棒性;基于ROS机器人系统设计了集成点云获取解析、模型算法识别和三维可视化的点云感知平台,在无人平台上进行路测,通过多个典型道路场景中的点云语义分割实验,证明了本文设计的点云语义分割系统具有良好的道路环境感知效果。