近年来人民生活水平日益提高,随各类民用汽车保有量增加而引起的交通事故发生率逐年攀升。无人驾驶技术的使用能缓解驾驶员的压力,有效降低交通事故发生的概率,提高驾驶安全性和可靠性。感知技术中的环境感知作为无人驾驶技术的基础和前提,是当前无人驾驶领域研究的热点之一。本文围绕激光雷达采集到的交通道路点云数据,结合相关数据预处理方法、特征提取、分类识别等关键技术,研究了行人目标检测与识别问题。本文研究的主要内容如下:针对激光雷达扫描得到的数据具有近密远疏的特点,基于传统欧式聚类算法提出一种改进算法。将原始点云预处理后,根据目标到激光雷达距离的远近动态的选择阈值,同时结合角度阈值共同作为判断依据,对预处理后的点云数据进行聚类分割。实验结果表明该方法相较于传统的欧式聚类算法,目标分割准确率提升了2.5%,达到约86%,对于行人目标提高了近5.4%,达到了约88.02%。行人目标识别部分,在传统Point Net++网络的基础上提出一种基于特征金字塔的Point Net++网络,将具有丰富语义特征的高层和具有丰富细节信息的低层结合起来,弥补在特征提取过程中维度降低而出现局部细节信息丢失的不足。其中,为了解决采样层中点云密度不均匀问题,对每个中心点划分邻域时采用不同大小的邻域半径进行划分,再对不同尺度大小的邻域进行特征提取,得到新特征。为了使实验更有实际意义,所用的数据集是以KITTI数据集为基础通过处理后人工标注制作而成的。实验结果表明,本文所提的基于特征金字塔结合多尺度分组采样的Point Net++网络能在一定程度上提高行人目标识别的准确度。在本文手工制作的数据集上,比传统Point Net++网络提升了1.91%,达到87.35%。