自动驾驶技术可以从根本上提高交通的安全性、出行的高效性以及驾驶的舒适性。自动驾驶汽车安全运行的关键部件之一是可靠的环境感知系统。这种感知系统通常是硬件和软件的组合。不同的传感器是自动驾驶汽车环境感知系统硬件的主要组成,而且三维激光雷达是最流行的组件之一。无论是白天还是夜晚,无论是否有眩光和阴影,三维激光雷达都非常稳定。针对自动驾驶车辆基于相机等传感器收集图像的目标检测方法受限于光照等影响,在夜间不能达到理想的识别精度,大部分检测方法局限于传感器前面视野,不能检测到后面移动物体等问题,本文研究了基于三维激光雷达的实时目标检测,提出了一套完整的基于三维激光雷达点云进行目标检测的高效及鲁棒性算法。而且在此基础上,本文还提出了一种基于卷积神经网络的道路目标语义分割方法。本文主要内容如下:（1）建立了三维点云数据与全景深度图之间的转化关系,并对全景深度图进行了增强处理。针对三维点云数据的非结构化特性加剧了邻居搜索难度的现象,解决了直接处理三维点云通常非常耗时的问题。探讨了全景深度图隐含的邻里关系编码,通过球坐标系投影模型将三维点云数据转化为全景深度图,减少了计算的复杂性,保证了目标检测的实时性,验证了直接对全景深度图进行处理的高效性。应用了对全景深度图进行插值及双边滤波的增强处理算法,解决了噪声及远距离扫描降低图像质量的问题,验证了该算法改善图像质量的有效性。（2）阐明了对三维点云进行去地面和滤波处理、对剩余点云进行聚类和二次滤波、将聚类点云投影到全景深度图的具体算法。利用改进的Ground Plane Fitting（GPF）算法建立地面模型对点云进行去地面和滤波处理,通过将去地面后剩余的三维点视为图像的像素点,并采用二值图像的二次连通分量标记技术,实现了剩余点云的三维聚类。提出了将聚类后点云根据检测目标的特征进行二次滤波处理,通过球坐标系投影模型将二次滤波后剩余点云投影到全景深度图的系列算法,验证了该算法突出检测目标的有效性。（3）对经过聚类及滤波的全景深度图应用了拼接处理的算法,提出了利用不同尺寸的全景深度图进行目标行人检测的卷积神经网络,并对比了所提网络与PVANet和Faster R-CNN等经典的卷积神经网络的检测结果。通过对新的全景深度图拼接后增加数据集的容量,使数据集也更适用于PVANet和Faster R-CNN等卷积神经网络,实现了数据集的通用性。通过改进PVANet的网络结构,使其更适用于行人等“小目标”的检测。通过训练模型并进行测试,验证了所提神经网络的优越性,得出了与PVANet相比,本文所提神经网络比PVANet的目标检测平均精度值提升了2.8-5.1%,比Faster R-CNN的目标检测平均精度值提升了40%-45%。（4）研究了轻量级网络Squeeze Net,提出了在保证目标分割精度的前提下可以获得更好运行性能的语义分割算法,对比了该算法与Squeeze Seg、Point Seg等基于深度学的算法和传统的点云分割算法的可视化结果。通过实验,证明了所提语义分割算法可以通过增加域变换使分割对象精确地对齐其边界而得到作为输出的较好的点向标签映射,得到了较高的识别精度。研究了所提语义分割算法的点云分割结果与传统点云分割结果可视化的差异。