自动驾驶车辆可以通过传感器感知周围障碍物的位置并识别出类别信息,根据这些信息做出相应的决策,从而安全和顺畅地行驶。调频连续波激光雷达由于其探测灵敏度高、距离分辨力高、不存在距离盲区、抗干扰能力强等优点,成为了最具潜力的自动驾驶系统高质量三维点云图像传感器。但是由于调频连续波激光雷达获取的三维点云冗余数据多、数据量大导致目标识别的实时性差,以及不同目标之间的相互遮挡造成目标识别难度大。针对以上问题,本文以调频连续波激光雷达点云数据作为研究对象,重点开展了调频连续波激光雷达测距系统仿真和点云数据生成、地面点云分割和非地面点云聚类、目标点云识别方法研究,具体如下:1)探究了调频连续波激光雷达的成像机理,设计了调频连续波激光雷达仿真成像系统,建立了锯齿波调制光源模型,根据发射、回波信号频率差与目标距离的线性关系,摸清了发射信号带宽、采样点数、信噪比等物理参数对测距精度的影响:信号带宽越大、采样点数越多、信噪比越小,系统的测距精度越高。本文基于PC平台Simulink对仿真成像系统进行了测试实验,实验结果表明,设置发射信号带宽为1500MHz、采样点数为220时,系统的抗噪性达到-48d B;设置信噪比为-40d B时,系统测距精度在0-150米的测距范围内达到了10-7-10-4米。本文通过将探测目标距离和光束发射角度结合,并利用点云坐标解算公式生成了三维点云数据,为后续目标分割与识别方法的研究奠定了基础。2)针对地面点云的输入降低了目标识别速度和精度的问题,提出了基于布料模拟滤波和欧式聚类的分割方法,首先通过建立弹性和动力学模型,将点云表征为布料表面的几何形状,然后去除属于地面点云的布料从而实现地面点云分割;其次通过构建KD-tree加快了最近邻搜索速度,减少了聚类分割时间,解决了传统欧式聚类分割算法容易造成目标点云欠分割或过分割的问题,实现了对目标点云的高精度分割。实验结果表明,本文的点云分割方法能够有效减少60%-70%的冗余点云数据输入,目标聚类分割的准确度为92.9%,比欧式聚类分割算法提升了13.57%,单帧处理时间为0.174s。3)针对分割后的目标点云数据量大导致目标点云识别速度慢这一问题,本文通过最远点采样法对目标点云进行下采样,减少点云数据的输入,从而加快了数据处理及目标点云识别的速度;针对Point Net++网络对被遮挡目标识别精度不足的问题,构建了基于仿射变换的Res MLP模块,基于深度学习理论,建立了Res Point Net++网络模型,探究了点云智能化特征表征机制,实现了对遮挡目标的高精度识别。本文基于Model Net40数据集和KITTI数据集对所提方法进行了训练和测试。实验结果表明,在Model Net40数据集上,本文网络的准确度为93.4%、识别速度为386帧/秒,比Point Net++网络准确度提高了2.7%、识别速度提高了25%;在KITTI数据集上,Res Point Net++对存在轻度、中度、重度遮挡的目标平均识别精度为80.08%,比Point Net++网络提高23.13%。通过本文算法对调频连续波激光雷达仿真的城市道路交通场景进行地面点云分割、非地面点云聚类和目标识别实验。实验表明,本文算法对一帧20万点云的三维图像识别准确度为80.15%,识别时间为0.265秒。满足自动驾驶任务的需求,为高速精准的目标识别技术在自动驾驶领域的工程化应用提供了理论支撑,加快了自动驾驶实际应用的步伐。