车位识别是实现全自动泊车的前端关键技术,如今的自动泊车系统,在检测成功率上较低,还需手动选择车位类型,智能化程度较低,不足以适应如今多变的泊车环境。本文提出一种智能化程度较高的车位识别系统,对提高车位识别的环境适应性问题具有重要的参考价值。本文经过分析多种传感器的适用优缺点,选取激光雷达作为环境感知传感器,设计了一种适合泊车场景的车辆轮廓数据聚类方法,改善了现有的特征线段提取方法,增加了在车位识别场景中的适应性;搭建泊车空间模型,并从中提取目标车位的相关参数,建立模糊控制系统,以目标车位关键参数作为输入,建立模糊规则,最后输出车位识别结果。主要内容包括如下:针对传统滤波算法在处理泊车车位原始数据时易出现错误检测且稳定性不佳的问题,设计了一套适用于雷达测距数据且提升可靠性的滤波处理算法。利用少数遵循多数原则,将原始数据分类,再计算相邻数据之间的差值,取差值最大处作为数据的分界点。针对传统数据聚类方法在还原车辆轮廓特征时的不准确性,本文结合激光雷达的扫描原理、车对车的相对位置、车辆的轮廓特征以及激光雷达得到的数据特性规律,考虑到原有的自适应阈值聚类算法不足以适应本文的要求,遂对其进行优化改进,以密度为初始划分依据,并加入了再聚类环节。设计了对比实验,证明该方法可以对车位轮廓进行有效的还原。针对传统特征线段提取算法在进行线段提取时,易出现线段过合并和过分割的现象,本文将支持向量机（Support Vector Machine,SVM）算法思想引入到传统的迭代端点拟合（Iterative End Point Fitting,IEPF）算法和线追踪（Line Track,LT）算法当中,进行自动标注分类,优化了阈值的选取方法,有效的改善了过分割和过合并的问题。设计了实车实验验证该算法,实验证明该算法达到预期效果。建立了模糊推理系统以实现对泊车车位的智能识别。先对泊车车位空间模型进行建立,计算提取其中的几个关键参数以作为模糊推理系统的输入,根据多种泊车场景和专家经验建立模糊规则库,以车位类型作为输出。通过Prescan仿真软件建立多种泊车场景,分别进行基于本文算法的实验与传统算法实验,实验证明本文算法具有良好的环境适应性与有效性,可以使车位识别更加智能。综上研究方法对基于激光雷达的车位智能识别系统进行设计。应用结果表明,该系统可以准确的对传统车位和不规则车位进行识别,智能化程度较高并在各种场景下均有较好的适应性。