无人驾驶技术被认为是未来的发展趋势之一,是当前研究的热点,人们希望通过无人驾驶技术缓解交通上的种种问题。无人驾驶汽车通过配备的各种传感器对周围环境进行感知,多线激光雷达和毫米波雷达在无人驾驶汽车上广泛应用。本文基于激光雷达原始点云数据以及毫米波雷达数据研究环境建模技术,主要研究内容如下:（1）提出一种基于点云空间邻域多特征的点云分割算法。首先利用栅格内最大最小高度差特征进行点云粗分割,然后对粗分割出的地面栅格内的点云进行二次处理。将地面栅格内点云有序化并对每束激光线上的点云进行高斯滤波平滑,然后,结合二维平面上点云的曲率特征、单束激光扫描线上相邻点的距离特征以及单束激光扫描线上相邻点的最大最小高度差特征对有序点云进行分割,能够保留更多的低矮路沿特征点且误检较少。实验结果表明,算法在结构化和非结构化场景都表现出很高的准确性及鲁棒性,并且也满足无人驾驶实时性的需求。（2）基于点云分割结果利用栅格法构建环境模型,并在栅格地图中检测道路边界和路内障碍物。在栅格地图中利用双向扫描法获取初始路沿候选点,根据道路的固有属性排除遮挡/缺口时的干扰,并用正常路沿点进行插值补充从而获得最终的路沿候选点,最后利用RANSAC算法拟合出道路边界。对道路边界范围内的障碍物栅格使用区域生长算法进行聚类检测,并利用PCA算法获取目标对象的最小矩形框。实验结果显示,本文道路检测算法具有较强的鲁棒性,且能准确检测出路内障碍并描述障碍的轮廓特征。（3）提出一种多传感器融合的运动目标检测方法。首先筛选出毫米波雷达检测到的稳定的动态目标并利用拓展卡尔曼滤波算法实现目标的运动状态估计,然后与栅格地图中检测到的目标进行融合,实现了运动目标的准确检测,并能准确获取目标的轮廓特征以及运动特征。（4）设计并实现了基于激光雷达数据与毫米波雷达数据的环境建模系统的离线版本。使用无人驾驶平台采集数据,利用该离线仿真环境进行代码调试并验证了实验结果的有效性。