智能交通是以人工智能为核心特征的人工智能城市体系之一,其中环境感知是基础和关键问题。通过激光雷达传感器（Light Detection and Ranging,Li DAR）获取外界信息、感知环境信息并和动态场景交互具有重要意义。然而现有研究方法对激光雷达传感器信息的处理过程中仍然存在着点云信息表达不完善的问题。因此,本文提出了复杂环境下基于Point Net和注意力机制的激光雷达点云语义分割算法,以提高对环境的感知能力。具体研究内容如下:首先,针对原始点云数据的无序性和稀疏性,导致特征提取困难的问题,提出了基于残差Point Net和卷积神经网络（Convolutional Neural Networks,CNN）的大规模场景下的激光雷达点云语义分割算法。为了充分利用激光雷达点云所包含的物体的3D位置信息以及其高精度的特点,采用直接对原始点云数据进行处理的Point Net算法,并且对适用于小规模点云场景语义分割的Point Net进行改进,加入残差结构,使其能够在室外大规模复杂点云场景中也有良好的特征表示和提取能力。为了加快下一层网络参数的训练,对输入数据进行批归一化处理,使得输入保持相同分布。使用改进的残差Point Net对每个栅格的数据进行特征提取。把离散且无序的点云数据固定在规则有序的伪图像中。根据卷积神经网络能保留邻域的联系和空间的局部特征的特点,使用卷积神经网络对伪图像进行更高层次的特征提取和语义分割。在Semantic KITTI数据集上进行训练和验证所提的算法模型。其次,针对基于残差Point Net和CNN的算法对点云特征表达不完善的问题,提出了基于Point Net和混合LSTM-CNN点云语义分割算法。由于点云在三维空间分布过于稀疏和极其不均匀,从而导致小型物体和大型物体所占有的点云数据量差异巨大,从而影响神经网络对点云的特征提取。因此,本文建立了一种双流神经网络框架,通过鸟瞰图投影法（Bird’s Eye View,BEV）和Point Net获得原始点云的伪图像特征。为了增强局部特征间的联系,将伪图像送入CNN和具有Hilbert曲线顺序的长短期记忆网络（Long Short-Term Memory,LSTM）两个神经网络通道,再将两个通道的特征进行融合,利用反卷积和双线性插值法对特征进行上采样,从而将特征恢复到原始尺寸。通过损失函数和反向传播来训练神经网络。在Semantic KITTI数据集上的实验结果表明,所提算法具有比其他算法更高的语义分割精度,特别是对于一些小规模点云目标有更好的效果。最后,针对Point Net在提取点云特征时容易忽略全局上下文信息的问题,提出了基于注意力机制（Point Cloud Transformer,PCT）的激光雷达点云语义分割算法。构建了以点云数据为输入的查询项、被查询项和被关注项网络,通过自注意力机制得到最终的注意力分数。采用点嵌入模块初步将点云中具有相似特征的点映射到高维空间中相近的位置,为了提高算法运行速度和模型的感受野,采用基于最远点采样算法对高维特征进行降采样。同时采用自注意力特征和输入特征结合的偏置特征作为下一级注意力模块的输入。将注意力分数重新分配到二维坐标系中当作伪图像,再使用编码和解码网络对伪图像进行高层次的语义信息提取和分割。将算法在Semantic KITTI数据集上进行实验验证,相比于Point Net算法,所提算法具有更加精确的语义分割结果,且对大多数目标类都有较大幅度的精度提升。