交通目标的准确感知对提升交通监管水平与优化智能交通效率起到至关重要的作用。激光雷达具有抗干扰能力强、空间分辨率高等优点,近年来作为智能交通及车路协同系统的主要传感器部署在路侧,用于交通点云数据的实时采集。由于实际道路场景中的背景点云庞杂冗余以及目标间遮挡现象的存在,同时点云数据也具有近密远疏以及易丢失的特性,导致现有目标感知方法还存在欠精准以及计算量大等问题。因此,本文提出了一种基于路侧激光雷达的交通目标感知方法,并从地平面分割、目标点聚类、交通目标识别与追踪四个主要方面分别展开研究,具体研究内容如下:（1）在地平面分割过程中,针对现有方法无法准确拟合存在坡度变化的实际地平面等问题,首先提出了基于圆柱坐标系的改进扇形栅格模型及最低点代表（LPR）法优化拟合平面所需种子点的选取,然后设计多地平面模型并结合随机采样一致性算法（RANSAC）对各区域地面点分别进行拟合,最后针对各拟合平面判定其连续性以实现地平面的完整分割。实验结果表明,该方法在4种典型道路场景下针对地面点云的分割准确率均达到86%以上,可实现不同道路场景下地平面的准确分割。（2）在目标点聚类任务中,针对单一固定距离阈值难以适应不同距离下的目标以及人工根据经验值反复设定距离阈值等问题,提出了一种改进的欧式聚类算法。该算法首先通过构建三维KDTree数据结构加速聚类过程,其次通过点云分布规律将其所处空间划分为多个聚类区域,最后针对各聚类区域进行距离阈值的自适应计算,完成不同距离下非地面点目标的准确聚类及检测。实验结果表明,该算法运算效率高,相较于其他聚类算法,所改进算法针对不同距离下的目标聚类准确率提升明显。（3）在交通目标识别方面,针对稀疏点云环境下单一特征难以精确区分不同交通目标类别以及分类器选择优化等问题,首先选取了目标空间结构特征、点云纵向轮廓高度序列特征以及点云总体分布特征,并构建为专属于本文交通目标的多维复合特征输入向量。然后采用SVM作为基分类器,并通过Ada Boost算法迭代强化,最后实现了交通目标的分类及识别。经过实验验证,该方法识别的平均准确率为89.2%,相较于标准SVM算法提升了7.3%,且各类别的F1值均超过83%,能够满足目标识别的准确性需求。（4）在交通目标追踪方面,针对目标间存在部分遮挡或因位置变化致使点云形态不断变化,从而导致目标追踪丢失等问题,设计了一种融合点云强度特征的改进最近邻追踪算法。首先通过融合强度特征构建差异度方程,然后计算相邻帧目标间的差异值并生成最近邻关联矩阵,最后将非零最小值所对应的目标关联起来,完成对交通目标的追踪以及目标速度、轨迹等信息的获取。实验结果表明,该算法在60m范围内的追踪准确率达到了89.6%,基本满足追踪任务的准确性需求。本文通过搭建路侧点云数据采集平台并结合DAIR-V2X路端数据集对所提方法进行实验验证,在确保所提出方法实用性的同时提高了各任务模块算法的准确性,优化了算法的计算效率,展现了本文方法的良好效果。具有一定的实际应用价值。