随着智能交通系统的发展,智能车辆受到了广泛关注。智能车辆对提高公民出行效率,减少交通事故,加快汽车产业发展等具有重要意义。其中,环境感知系统被喻为“智能车辆的眼睛”,是智能车辆实现智能驾驶的关键技术,它为智能车辆的决策控制提供必要的信息。障碍物识别是智能车辆环境感知系统中的关键功能,要求在各种道路情况下对各种障碍物进行准确识别并获取准确位置信息,同时保证较高的实时性。激光雷达对抗周围环境干扰能力较强,同时能够较高精度解析纵向运动障碍物,可以检测到更远距离的物体。现有激光雷达障碍物检测算法大多基于单帧雷达点云进行处理。由于激光雷达的发散特性,点云的密集程度随着距离的变大而变得稀疏,因此对较远距离障碍物检测能力较差。为解决上述问题,本文展开了基于时空关联的激光雷达障碍物识别技术研究。主要研究工作有:（1）研究了基于激光雷达地面分割方法。地面点云分割是进行障碍物识别的基础,单帧点云中地面点云占据大多数,而地面点云对障碍物识别没有意义,反而会增加计算量。针对多类型场景下激光雷达进行地面检测时产生的误检测问题,提出一种基于点云簇组合特征（点、线、面）进行激光点云路面分割的方法来提升地面分割的准确度以及路面适应性。实验结果表明在复杂路况下,地面分割准确率可达97.50%,相较于现有算法提升4个百分点。（2）研究了激光点云时空关联方法。通过点云配准得到连续帧点云之间的位姿变换矩阵,将连续几帧的点云转换在同一坐标系下实现时空关联,最终得到较为稠密的点云,应用于后续深度学习障碍物检测。针对现有点云配准方法效果不稳定且耗时较长的问题,本文将粒子群优化算法用于点云配准,以点云的法矢和为适应度函数,并运用CUDA编程对算法进行加速,对粒子进行并行计算。通过自采数据集对算法进行验证,结果表明总平均误差为0.92cm,平均相对误差为1.37%,使用CUDA编程后算法耗时降低约210ms。（3）研究了基于体素的点云深度学习障碍物检测算法。基于Voxelnet进行改进,在柱坐标系下对体素进行分块,并对障碍物存在遮挡的情况进行判断处理;使用新型的角度回归方法,很好地解决了因对抗样本导致的模型性能不佳问题;采用两种数据增强方式来解决数据集较小情况下模型性能不佳问题,最终在KITTI数据集以及自采数据集进行实验验证。实验结果显示,时空关联后对于较远距离障碍物检测准确率可达63.5%,相较于时空关联前提升5个百分点。