在交通强国、数字交通背景下,创新引领、数据赋能成为未来交通运输产业升级、品质提升的发展方向。交通运输领域不断推动先进信息技术与传统交通行业的深度融合,但在融合发展过程中,突显当前智慧交通应用在高分辨率、车道级、轨迹级数据的缺失,无法助力智慧交通应用进行交通问题深度解析、交通行为精准研判、交通安全精细防控。环形线圈、地磁感应、微波雷达等传统路侧单元检测器所采集的交通数据仅能反映检测截面的交通流状况,无法识别和跟踪交通流个体的轨迹。虽然视频检测能够在局部较小范围内获得车辆的运动轨迹,但一般需按车道布设高清摄像机,该传感器受光照、阴影影响严重且无法获取可信的深度信息。当前上述各类检测器基本上以统计特征呈现交通数据信息,具有一定的宏观特性,但在覆盖范围、分辨率、信息量等方面存在明显不足,无法满足对交通精准管控下微观尺度、高分辨率、高精度、区域性交通流数据的需求。因此,为了弥补这一缺陷,本文利用激光雷达路侧部署方式,进行道路监控和交通数据采集,实现高分辨率微观交通信息提取,具体开展如下研究:（1）针对当前基于低线束路侧激光雷达目标过滤算法实时性差且无法保留有价值背景点的问题,创新性地提出了点云切片单元的概念以及基于切片的过滤与分割方法。首先,基于切片单元将点云中的点细分为四类,有价值目标点、无价值目标点、异常地面点以及正常地面点,并提出了一种基于切片的投影过滤算法对原始点云过滤,与同类型算法相比,能以最快速度完成过滤过程,且能保留除交通目标点外其它对分析交通目标行为有价值的背景点。然后,以过滤结果为基础提出了一种区域增长算法,实现点云的实例分割。针对遮挡场景利用切片的相关属性对分割结果进行了优化,进一步提高了分割精度。另外,还提出了基于切片特征的机器学习模型来分类点云中各个对象,完成点云语义信息的提取,结果表明了切片单元在点云处理的问题上具有很高的潜力。（2）针对当前基于低线束路侧激光雷达交通目标检测范围普遍不足的问题,提出了一种基于基准背景构建的交通目标检测范围扩展方法。首先,使用连续的点云帧数据覆盖传感器的全部水平与垂直角度,依据背景物体与交通目标之间的距离差异得到全角度的背景点,构建出基于距离信息的基准背景点云。进一步地,提出了一种基准背景优化方法来降低密集交通场景中交通目标对背景构建的影响,可减少背景点云中噪声点并补全缺失的远距离背景点。与其它背景构建方法相比,能以最少的数据构建出最精确的背景点云。利用基准背景与目标点云的差异实现点云的精准过滤,根据目标的运动方向和运动距离提取运动特征,结合快速傅立叶变换算法过滤噪声点并得到远距离交通目标点。通过实际案例验证,该方法在检测精度、检测范围上均优于其它同类型方法。（3）针对当前方法绘制车道级地图无法及时、分布式地生成与更新问题,提出了基于低线束路侧激光雷达的车道级地图生成方法。对于交叉口车道级地图,首先,提出了一个数学模型来描述交叉口车道级地图中信号相位、几何形状、布局和车道方向等要素。其次,以交通目标检测结果为基础,利用群体轨迹识别交叉口信号相位信息。然后,利用基于凸包的检测算法识别交叉口布局与几何形状。接着,提出了一种滑动窗口算法来检测车道标线并对车道进行分类。最后,提出了一种轨迹匹配的方法来生成转向车道的连通性。对于路段车道级地图,改进了应用于交叉口的滑动窗口算法,使其适用于路段场景下的车道标线检测,接着,通过车辆的行驶规律判定路段中车道方向。本文在不同类型的交叉口与路段处进行实验,结果证明了本文所提出方法满足车道级误差的要求,与基于卫星、基于移动测绘系统和基于众包的车道级地图生成方法相比具有轻量级、低成本和及时性高的优势。（4）针对低外观信息、频繁与长时遮挡场景下难以获得车辆的完整性、全生命周期的轨迹的问题,提出了一种自生成车道级地图辅助下的多车跟踪方法。首先,通过车道级地图约束下的搜索过程找到可能与目标车辆相关联的所有历史轨迹。接着,通过车道级地图约束下的微观运动模型确定可被关联的正确历史轨迹。另外,提出了一种基于车道级地图的检测优化方法,以进一步提高跟踪性能。最后,为了便于对基于路侧激光雷达的多车跟踪方法进行更全面的评估,收集、标注并开源了一个适用于路侧激光雷达的跟踪数据集。与同类型多目标跟踪算法相比,本文所提出的跟踪算法具有最高的精度和最强的抗遮挡能力,更适合基于低线束路侧激光雷达获取其扫描范围内车辆的完整轨迹。（5）以多车跟踪的结果为基础,从高分辨率轨迹数据中提取微观交通信息。在提取微观交通参数方面,提出了一种基于卡尔曼的车辆位置估计模型,克服了遮挡对运动参数提取精度的影响,与基于点云中心的位置估计方法相比,能更精准地对受遮挡的车辆位置进行表征。在微观跟驰模型方面,利用小波变换滤波器优化前车轨迹数据,提高了Newell、OVM、IDM等经典跟驰模型在基于路侧激光雷达的场景下的跟车精度。在微观换道模型方面,提出了基于Transformer的换道意图与轨迹预测模型,验证了Transformer模型在对微观交通的时序数据处理上比RNN与LSTM模型更具有优势。