智慧交通、自动驾驶等重大应用方向的兴起,对交通环境的准确、实时、三维、语义化的感知提出了迫切需求。激光扫描技术是当前大规模三维测量的最佳技术手段之一,为大规模交通环境的三维感知提供了数据基础。已有的面向交通的激光扫描点云应用主要集中在静态道路对象的提取和高精度地图的建模。交通环境是以车辆运行和驾驶者为核心的环境,因此对驾驶员的视觉感知评估,以及对交通动态过程的三维建模都是交通环境感知中的重要科学问题,相关的研究工作较少。本文以激光扫描三维点云为数据基础,从三维场景感知的角度出发,对静态交通场景中的交通标志牌视觉可感知的计算模型和交通场景中的车辆动态三维重建进行了深入的研究。主要研究内容和创新点如下:（1）提出了一种基于激光雷达点云的交通标志视觉可感知场计算模型针对驾驶员对交通环境中交通标志视觉感知的评估问题,根据视网膜成像原理,提出了在某视点处的交通标志可视度的评价模型,结合交通标志的视认距离、交通标志的安装规范,构建了交通标志牌视点可认知度的评价模型。首次给出了交通标志牌可视度、可视场、可认知度和可认知场的定义,并给出了精确计算方法。该研究的成果可显著的提高交通设施管理部门对交通标志视觉感知维护的工作效率。（2）构建了一个大规模车辆姿态估计数据集针对交通监控视频中车辆姿态估计的研究数据样本不足的问题,构建了一个大规模渲染数据集 ADSC（Autonomous Driving for Smart City,ADFSC）,能满足视角、2D-3D匹配的关键点、图像到点云的注册等需求。该数据集可用作车辆6-DoF姿态估计、车辆检测、车辆语义分割和动态交通三维重建等研究方向的训练数据和评价基准。（3）提出了一种基于模型驱动的车辆三维姿态重建算法针对现有姿态估计算法依赖于相机内参,在不同相机间使用适应性差的问题,本文在图像与三维点云配准的基础上,提出了一种基于模型驱动的深度网络架构。该框架可从监控图像中估计多个车辆在全球坐标系下连续的6-DoF（six Degree of Freedom,6-DoF）姿态,并使得车辆三维姿态只与2D关键点的位置有关,与相机的内外参数无关,从而保证了网络架构应用于所有监控摄像机。实验表明,该算法在中心2D关键点、车轮2D关键点和3D IoU尺度评价上均优于传统算法。（4）提出了一种融合静态目标点云与监控视频的交通场景动态重建算法针对图像关键点的检测结果易受到纹理模糊、阴影、光照的影响,本文在基于模型驱动的车辆三维姿态重建算法的基础上,研究了如何合理的利用地面点云提供的车辆俯仰角和滚转角,以及被检索三维模型中各三维关键点之间的相互制约关系,进一步提高图像关键点的检测精度,提出了一种融合静态点云与监控视频的交通场景动态重建算法。实验表明,该算法在中心2D关键点准确度、车轮2D关键点准确度、3D朝向准确度、3D IoU等尺度上均优于传统算法。该算法可用来交通场景三维重建,交通事故预测,对交通事故定责、智慧交通建设具有重要意义。