在环境测绘、无人驾驶等领域中,由于道路地形错综复杂、地貌广阔以及被扫描物体表面反射率的差异,常常使得激光雷达设备采集到的点云数据带有许多噪声,并且在数据采集过程中由于建筑物与障碍物的遮挡导致帧与帧之间的点云数据重叠率比较低,这些问题直接影响后续的三维场景重建与无人驾驶系统最终的决策。因此,对激光雷达的点云数据处理研究就显得非常重要。本文从点云数据处理技术入手,深入研究激光雷达点云数据处理技术中的点云滤波与点云配准两个核心问题。首先,本文针对激光雷达扫描数据的噪声来源与噪声模型的特点,详细研究了点云滤波算法中滤波效果较好的三维导向滤波算法,针对三维导向滤波算法处理后的点云模型残留有局部噪声的缺点。将二维图像处理中的二次导向滤波方法进行扩展,引入到三维点云数据滤波中,从而在有效地滤除了无用的噪声点的同时很好的保持了模型的局部轮廓。然后,本文又详细研究了传统点云配准效果较好的ICP算法,针对目前ICP点云配准算法中当原始点云与目标点云的重叠空间比较小时,ICP点云配准效果差、运行速度慢的缺点。采用一种基于法向量聚类以及点代表选举的改进算法显著地改善了点云配准的效果。最后,本文研究了点云滤波与点云配准的客观评价方法,并从主观与客观的角度对本文方法处理后的实验结果与经典点云滤波方法以及经典点云配准方法处理后的实验结果进行对比分析,实验表明,本文的方法优于其它经典算法。