随着智能车出行成为社会关注热点,智能驾驶环境感知技术也变得越来越具有挑战性。目前,激光雷达、视觉相机、毫米波雷达等传感器在智能驾驶环境感知中已经广泛应用,但视觉相机在强光或弱光环境中检测效果不佳,毫米波雷达检测误差较大,而基于激光雷达的三维多目标检测跟踪技术能够在强光或弱光环境中对三维目标实现准确地检测与跟踪,有助于提高智能驾驶系统的安全性能。论文围绕基于激光雷达的三维多目标检测与跟踪展开如下研究:针对激光雷达点云数据存在异常点与噪点问题,对实际采集的点云数据进行预处理。采用球面线性插值法进行运动补偿,利用平面拟合法实现地面点的去除,并融合直通滤波、体素滤波、半径滤波对点云数据进行滤波处理,同时考虑到点云数据具有近密远疏的特性,采用基于极坐标系的栅格聚类方法对滤波后的点云数据进行聚类处理,最后结合霍夫直线检测法,利用3D包围盒对目标进行准确框选。针对基于激光雷达的三维多目标检测精度较低,且计算成本较高的问题,提出了一种改进PV（Point and Voxel）神经网络模型的三维多目标检测算法。通过基于体素的方法进行候选区域的选择,再通过基于点云关键点的分层提取特征与集合抽象化方法,以一种高效的方式融合体素和点云的3D信息,提高了复杂场景下3D多目标检测的准确率。最后利用KITTI数据集进行模型的训练与测试,与Voxel R-CNN算法相比,其中等难度检测精度提升了0.26%,困难难度检测精度提升了0.09%。针对基于激光雷达的三维多目标跟踪的关联准确率与联合召回率较低,且系统复杂性较高的问题,提出了一种快速而准确的实时三维多目标跟踪技术—PV3DMOT。研究了融合马氏距离与贪心算法的跟踪方法,提出了最佳数据关联方法,并基于该方法实现了三维多目标匹配与跟踪。利用3D卡尔曼滤波器进行了目标状态的预测与更新,并结合提出的最佳关联方法,实现了多目标的实时跟踪。最后利用KITTI数据集进行了验证与测试,相比AB3DMOT算法,其关联准确率提升了1.16%,联合召回率提升了3.44%,有效地提高了智能驾驶场景中的多目标跟踪精确度。利用基于CARLA与ROS联合虚拟仿真平台,通过Traffic Manager模块对场景中的车辆与行人进行管理与控制,并自定义Python API接口连通服务器端与客户端,且针对特殊测试场景,利用本文方法对场景中的三维多目标进行实时检测与跟踪,该方案有助于提高测试效率并降低测试成本。搭建了自组装实验平台,实现了激光雷达与惯性测量单元（IMU）、毫米波雷达、视觉相机的外参标定,最后运用本文方法在校区内进行了实车实验,实验结果中多目标检测平均准确率为83.2%,跟踪准确率为67.1%。