随着自动驾驶车辆在交通领域的应用,对自动驾驶关键技术的研究也越来越深入。环境感知作为自动驾驶技术的重要环节,是智能车辆的“眼睛”。目前基于三维激光雷达目标检测系统的研究已取得了许多成果,但面向开放场景下的目标检测仍存在下列问题:一是感知环境相对简单,以目标稀疏分布的场景为主,而多类型目标交互场景下的目标检测研究较少;二是三维激光雷达点云数据量极大,直接应用原始点云进行目标检测算力需求高,需设计合理的精简方法;三是激光雷达点云分布密度不均匀,导致传统基于密度的聚类算法适应性较差。针对上述问题,本文面向开放交通场景,围绕点云简化、地面点滤除、动态感兴趣区域划分、目标聚类四个关键技术开展研究。首先,从检测需求和环境特点出发,对激光雷达目标检测系统的总体结构进行设计,提出三层四模块的检测架构。其中,三层为输入层、感知层、输出层;四模块为点云简化、背景分离、区域分割和目标物提取。该架构通过前三个模块逐步剥离出有效的目标点云。实验结果表明该精简方法能够在保证目标物提取所需点云数量的同时,减少无效点云,精简后的点云数量仅占原始点云数量的12.88%。然后,针对DBSCAN算法对密度不均匀数据的聚类效果差的问题,在研究激光雷达点云的空间分布规律基础上,建立点云密度特性模型,提出基于自适应椭圆的聚类方法。该方法的聚类阈值根据点云密度动态变化,从而解决激光雷达扫描特性导致的点云近密远疏的问题,保证目标聚类的准确性。并进一步通过仿真实验对自适应聚类算法关键参数进行优化设计。为了验证所提出目标检测系统的性能,搭建了实车验证平台,并在校园混杂密集环境下进行实验验证。结果表明,本文设计的激光雷达目标检测系统能够在复杂交通环境下快速、准确地提取目标物,目标检测正确率达到85.66%,最后输出路沿信息及目标物状态参数。