伴随着经济和通讯水平的快速发展,无人驾驶汽车作为未来交通发展的重要方向,已经逐渐成为国内外研究的热点课题。无人驾驶汽车的研究课题覆盖了多个方面的知识体系,其中最为主要的四个方面为:定位,感知,决策和控制。四线激光雷达因为有着数据量适中、测量精度高、可对多目标进行探测和受环境因素影响小等优势,被广泛用于实现无人驾驶汽车环境感知的相关功能。本文使用四线激光雷达对无人驾驶汽车的主要研究内容如下:(1)无人驾驶汽车检测可行驶区域时,因为激光雷达数据存在数据密度变化不均匀的问题使得基于密度的聚类算法聚类效果较差。提出一种改进的Jarvis-Patrick(以下称为JP)聚类算法。该算法通过k近邻和共享最近邻间的关系来度量数据的局部密度选出代表点,对数据密度的变化具有伸缩性从而增加了算法在检测可行驶区域时的搜索速度和精度。改进后的算法在对数据密度变化的数据进行聚类时准确度有明显的提高。(2)在改进的JP聚类算法能够适应激光雷达数据密度变化不均匀的基础上,提出一种可行驶区域检测算法,通过对激光雷达扫描到的车辆环境中不同物体进行数据分析从改进的JP聚类得到的簇中提取出道路边缘簇。为了降低道路边缘簇中出现的部分噪声数据和道路边缘外障碍物数据对道路边缘拟合的影响,使用随机抽样一致性(Random Sample Consensus,RANSAC)算法对道路边缘簇内的数据点进行线性拟合得到无人驾驶汽车前方道路边缘,结合前方道路中障碍物的宽度、位置与无人驾驶汽车通行的宽度安全系数等信息检测可行驶区域。(3)为解决检测可行驶区域内的动态障碍物时传统连通区域标记算法中存在的重复邻域搜索问题,在通过基于D-S证据理论建立的栅格地图基础上提出了一种基于栅格段的连通区域标记算法,通过减少重复邻域搜索次数增强了动态障碍物检测算法的实时性。(4)针对四线激光雷达在复杂道路环境中检测邻近障碍物时由于数据点融合导致的误检测现象,根据车辆障碍物数据特点提出了自适应的距离阈值并结合邻近障碍物数据点分布变化规律提出了一种邻近障碍物检测的优化方法。实验表明,该方法可以提高无人驾驶汽车在复杂道路环境中检测邻近障碍物时的准确率。