作为下一个改变人类生活方式的技术蓝海,无人驾驶车辆研究日益受到学术界和产业界的高度关注,其技术涉及认知科学、人工智能、控制科学、机械工程等交叉学科,是各种新兴技术的最佳验证平台,也是未来汽车发展的必然趋势。在无人驾驶汽车研究领域,如何完整、准确、实时、鲁棒地实现三维场景的环境建模一直是研究的重点和难点。由于能够通过非接触扫描方式精确获取三维环境信息,Velodyne三维激光雷达在无人驾驶汽车上得到广泛的应用。本文基于Velodyne三维激光雷达原始点云数据研究无人驾驶汽车的三维环境建模和路权时空态势图构建技术,具体研究内容包括以下几个方面：(1)系统阐述无人驾驶汽车环境建模相关概念和国内外研究现状,对比分析三维环境建模传感器的优缺点,重点介绍三维激光雷达用于各种环境要素的主流建模方法。(2)研究Velodyne原始数据点云分割方法。针对三维激光雷达原始数据在不同工作环境下的点云形态差异问题,通过研究无向图结构的多特征、宽阈值、分层次道路区域分割算法,实现对三维激光雷达原始数据点云的精确、可靠分割,在此基础上构建准确的障碍物栅格图。(3)研究基于障碍物栅格图的道路边界检测方法。提出一种基于道路形态分析的边界提取方法,通过获取道路趋势和道路宽度分布信息,降低路内障碍物和边界间断对于道路边界提取所产生的影响。利用车辆自身位姿变化进行道路边界预测,在此基础上,通过激光雷达原始点云数据生成的最大最小高度差图实现道路边界更新,从而有效提高道路边界检测的实时性和连续性。(4)研究动态障碍物建模和路权时空态势图构建方法。通过研究Velodyne扫描线邻域分布信息实现动态障碍物提取以提高动态障碍完整性。在此基础上,提出一种基于PCA算法的障碍物形态信息分析方法,通过与四叉树多障碍物分布形态融合来提高交通拥挤状态下动态障碍物的匹配精度。利用卡尔曼滤波对动态障碍物动态特性建模,预测未来时刻障碍物分布以构建时空障碍物栅格图,并对其进行距离变换获取路权时空态势图。通过各种环境要素模型的融合,路权时空态势图以灰度图形式反映了环境中各区域安全系数,为无人驾驶汽车决策提供简洁、准确的数据接口。以“智能先锋号”无人驾驶汽车为平台,在真实驾驶环境中进行了大量测试,验证了算法的准确性,鲁棒性和实时性。本文最后总结了本文的主要贡献,并对下一步研究工作进行展望。