近年来,无人驾驶这一人工智能与传统汽车的交叉领域得到了广泛的关注与持续的发展。环境感知技术是指无人驾驶系统通过对感知传感器原始数据的处理以理解智能汽车周边交通环境的过程,精准而全面环境感知是智能汽车实现合理路径规矩和决策的基础,也是无人驾驶领域的一个研究热点。激光雷达能准确的获得周围目标的距离信息,且有较强的抗干扰能力,因此激光雷达成为无人驾驶感知领域主流传感器之一。车辆是最普遍的交通参与者,对车辆目标进行状态检测与实时跟踪是无人驾驶系统进行环境感知的第一步。因此本文进行了基于激光雷达点云的车辆检测与跟踪研究,提出了一套处理点云原始数据最终获得目标车辆实时状态的算法。首先本文提出了基于点云自适应聚类的车辆状态估计算法。该算法分为三部分:（1）提出基于粒子滤波地面状态跟踪的地面点提取算法,将原始点云分中的地面点与障碍物点分割开。该算法避免了传统算法每一帧都需要对海量点云进行识别提取的缺点,明显提高了算法的实时性。（2）提出基于自适应阈值的径向有界最近邻点云聚类算法提取出从属于同一车辆目标的点云集合。该算法根据激光雷达数据特点自适应的改变聚类阈值,提高了聚类算法的准确性。（3）利用基于概率的车辆量测模型对目标车辆的状态（位置、朝向角）进行准确的估计。该算法根据车辆点云分布特点建立车辆点云量测概率模型,利用优化迭代的思想提高了车辆状态估计的准确性。此外,本文提出了多模型概率假设多车跟踪算法,对多个目标车辆状态进行跟踪。该算法基于随机集的思想,能有效处理车辆目标新生与消亡的情况,同时,该算法考虑到了实际交通环境中车辆运动的多样性,用多个运动模型联合拟合车辆运动模型,对机动性较高的车辆目标能实现准确的状态跟踪。