自动驾驶技术近年来得到了广泛关注和研究。环境感知技术位于自动驾驶系统的最前端,而道路上车辆目标的识别与跟踪是感知技术重要的一部分。拥有实时准确的车辆目标识别与跟踪能力,有助于决策模块做出正确合理的规划与判断。激光雷达能够提供相对精准的点云信息,但它对物体分类能力较低。相机能够获取车辆目标丰富的像素信息,但相机是二维传感器,无法提供目标的深度信息。因此,本文对激光雷达和相机的信息进行融合,完成车辆目标的识别与跟踪。本文的主要框架分为两部分,一是基于信息融合技术的车辆目标识别,二是车辆目标跟踪。在车辆目标识别部分中,首先对激光雷达原始点云进行滤波处理,降低点云的密度。然后在地面识别算法中引入地平面法向量的约束,避免周围环境中高大建筑物垂直表面的影响。激光雷达近处的点云比远处的点云稠密,基于此特点设计了一种聚类半径随点云距离自适应变化的聚类算法。图像中车辆目标的识别采用轻量化Yolo Fastest-XL深度学习算法,可在低算力场景下保证识别精度。最后采用目标级融合策略进行信息融合,针对激光雷达垂直扫描范围小于相机视场角的问题提出了一种新的信息融合指标,提高信息融合的精度。车辆目标信息获得后,在车辆目标跟踪部分中采用无迹卡尔曼滤波器跟踪车辆目标,同一目标采用唯一的ID进行标记。本文使用联合概率数据关联算法进行数据关联,针对该算法的计算时间随目标数量的增多呈指数增长的问题,本文采用距离加权的方式避免了可行事件的拆分与计算,提高了计算效率。同时将改进后的算法与最近邻算法进行结合,使其能够处理目标数量发生变化的场景。为了避免噪音点的干扰以及车辆目标由于遮挡等情况出现短暂性消失的问题,在目标管理中引入M/N test策略,对目标的确认与消失进行缓冲,提高算法的鲁棒性。本文分别用KITTI数据集和校园智能驾驶平台进行算法验证。算法运行平台为Ubuntu16.04+ROS Kinetic。实验结果证明,改进的点云聚类算法具有较高的距离适应性和聚类精度,能够满足不同距离下车辆目标的聚类要求。提出的信息融合算法可有效解决点云三维框尺寸过小导致信息无法融合的现象。改进的多目标跟踪算法具有较高的跟踪精度,最大跟踪误差为0.5117米。车辆目标识别与跟踪算法运行时间为70ms,具有一定的实时性。