无人车系统可应用于侦察、巡逻、运输等任务,对民用领域的生产方式和在军用领域的作战方式具有革命意义。随着激光雷达传感器成本降低、计算机硬件计算能力大幅提高,基于激光雷达的环境感知技术成为研究热点。本文以小型无人车系统为实验平台,对道路场景目标的检测与识别方法展开了研究。道路场景中常见的正障碍目标检测与识别技术已经比较成熟,但非结构化道路场景中存在的负障碍目标检测与识别仍是一个难题,且负障碍对无人车系统具有很大威胁。目前精度最高的车辆、行人目标检测与识别方法是深度学习方法,但点云数据的无序性、不规则性增加了数据处理难度,且三维卷积操作消耗大量时间和计算资源,难以满足无人车系统的实时性要求。基于此,本文提出以下创新:1、针对负障碍目标检测与识别方法中的点云数据稀疏问题,提出了一种使用单个激光雷达的负障碍检测与识别方法,通过点云配准和数据融合解决点云数据的稀疏问题,提升了负障碍检测与识别的场景适应性。2、针对三维卷积操作消耗大量计算资源的问题,提出了一种免三维卷积的深度网络,并通过最远点采样方法进行均匀采样,较好地保留数据局部特征,实现了对车辆、行人目标的检测与识别,降低了算法运行时间,提升了检测精度。按传感、融合、规划、控制四层控制体系设计无人车系统,并在实验平台上进行目标检测与识别实验,实验表明,本文提出的方法能够提高无人车系统目标检测的精度和鲁棒性,同时具有良好的场景适应性能和实时性能。