基于传感器的目标检测技术是实现自动驾驶环境感知的重要前提。在车辆运行过程中,对目标检测是否实时准确,直接关系到后续决策的正确制定与控制的精准输出,因此,面对复杂多变的交通环境,如何借助车载传感器对目标进行识别并达到车规级检测要求,仍是当前环境感知研究中的重难点。本文针对当前目标检测研究中受特定场景限制导致算法移植性较差的问题,利用激光雷达和相机在多种复杂交通场景下获取的信息数据,对单一传感器及融合后的目标检测算法展开相关技术研究。本文主要研究内容如下:(1)分析比较各类车载传感器的性能特点,选用激光雷达与相机自主搭建了一套自动驾驶数据采集与目标检测系统,并提出了一种基于点云与视觉信息融合的复杂交通环境感知方案。(2)为解决激光雷达依据点云单一特征信息提取结构化道路边界准确性较低的问题,本文提出了一种基于32线激光雷达的多特征窗口搜索的道路边界检测算法。首先根据安全车距控制理论对激光雷达扫描获取的点云数据实现动态采集和前景点云的提取,随后利用点云的几何特征与空间分布特征对边界候选点分别进行不同尺度搜索,最后对边界候选点进行拟合实现道路边界的提取,并通过多种复杂情况下的道路场景进行算法的检验。(3)为改善目前传统点云聚类方法仍需要人工干预设定参数的缺陷,本文提出了一种自适应三维空间聚类算法。首先根据扫描距离与点云密度的关系动态确定不同距离目标的聚类半径,随后建立三维虚拟分割网络,将三维数据分割为多个等体积立方体,最终根据立方体中的点云密度特点确定目标特征点,从而完成目标的聚类。(4)为解决当前基于深度学习的视觉检测算法训练样本场景分类欠缺的问题,本文在多种天气条件以及复杂行驶工况下采集车辆及行人不同姿态的样本数据,并创新性的将夜间红外数据引入样本集中,将YOLOv3中的分类器修改为Softmax分类器,从而使算法在复杂交通环境下对目标多分类检测的效果更佳,同时为防止检测过程中目标的丢失,利用目标匹配函数完成对检测对象的准确追踪。(5)为进一步提升目标检测的准确度和稳定性,本文对基于激光雷达与视觉信息融合的目标检测算法进行了研究。首先通过联合标定实现雷达与相机时间和空间上的同步,然后利用D-S证据理论融合算法将不同传感器的检测结果进行信度值匹配,通过多种复杂的交通场景验证,融合后的检测结果比单一传感器检测结果更加准确和稳定。