环境感知是自动驾驶系统中的重要环节之一。感知系统通过车载传感器采集信息并进行处理,处理后的目标信息供自动驾驶系统实现正确的决策和精准的控制。为保证环境信息采集的全面性和准确性,目前自动驾驶车辆普遍采用多台相机与雷达组合获取环境信息的方式,并将不同类型传感器采集的信号进行数据融合处理,实现目标检测。由于相机存在易受遮挡,光线,路况等因素的影响,因此,视觉目标检测方法有时不能准确地提供前方障碍物的信息。激光雷达探测距离较远,感知信息为三维信息。但是得到的特征点云比较稀疏,难以满足感知系统的需求。面对复杂多变的交通环境,如何精准快速对目标进行检测,仍然是环境感知研究中的重难点。本文以高速公路环境下的障碍物检测为研究内容,利用三维激光雷达和相机在该场景下获取的信息数据,分别对图像信息的目标检测算法、点云数据的目标检测算法进行研究,并引入D-S证据理论,建立高效、可靠的数据融合检测方法,充分发挥多维异构传感器感知系统的优势,实现准确、实时的前方障碍物检测。本文主要研究内容如下:（1）针对白天逆光情况下高速公路路面分割不彻底导致的车辆误检问题,提出基于车底阴影特征的前方车辆检测方法。首先对图像进行预处理,以像素相关性为权重进行图像滤波,应用三类类间最大方差法进行图像分割,并对预处理后的图像进行车底阴影特征检测。然后在检测的候选框中通过车辆轮廓对称性验证该区域是否为车辆区域,提高车辆检测准确率。实验结果表明,本文提出的图像检测算法能较好检测前方车辆,检测率超过90%。（2）针对高速公路上获取的点云特性,明确了以障碍物点云聚类为基础的目标检测方法。首先使用统计滤波和直通滤波算法对点云数据进行预处理,改进了基于路面平面拟合的地面点云分割算法。然后使用KD树建立了点云之间的拓扑关系,并加入聚类大小约束和反射强度约束,提高了点云聚类的准确率。最后通过主成分分析法建立了基于三维包围盒的障碍物点云信息。实验结果表明,点云聚类算法可以较好检测车辆聚类区域。（3）关于高速公路环境下点云数据与图像数据的融合,本文首先解决了两中类型数据在时间上和空间上的数据配准,之后将点云聚类目标投影到图像上形成对应的点云目标检测矩形区域,再结合相机的目标检测矩形框结果,采用权重因子改进冲突的D-S证据理论,实现了异质传感器检测结果的决策级融合。经仿真实验验证,融合算法的目标检测准确率较单一数据检测算法有所提高。