道路识别是无人驾驶环境感知系统的基础,准确性好、适应性强、鲁棒性高的道路识别算法是实现无人驾驶系统的重要保障。目前,对于道路识别算法的研究,结构化道路识别远比非结构化道路识别成熟。非结构化道路边缘模糊,路面形态多变,此时单一传感器不能满足复杂环境下的道路识别。针对这种情况,本文研究了一种融合激光雷达点云与视觉图像的非结构化道路识别方法。本文针对基于视觉相机图像数据的道路识别方法中采用全像素域分割处理时造成的计算复杂度高、精确性差的问题,研究了一种基于改进简单线性迭代聚类和区域生长算法的道路识别方法。首先利用灰度共生矩阵提取道路的纹理特性,然后在传统简单线性迭代聚类算法中融合图像的纹理特征构造超像素特征图。接着采用聚类和邻域搜索算法自适应获取生长种子点,引入区域灰度差公式作为生长准则,并且根据道路特性设定优化策略对超像素级生长图进行后处理,最后联合超像素分割图的轮廓信息对道路进行分割;针对基于激光雷达点云数据的道路识别方法中存在分割算法精度不高的问题,本文从雷达点云数据的表现形式以及处理流程两个方面进行改进。首先通过引入雷达图像,对散乱点云有序化表达。然后利用高度差信息结合行线扫描法实现了雷达图像下的稀疏点云道路可通行区域分割。最后使用Alpha Shapes算法进行边界提取及填充,完成相机视图下所需的稠密化点云表达;针对现有的基于马尔可夫随机场融合算法中相机图像与雷达点云数据融合不均衡的问题,本文在传统马尔可夫随机场模型的基础上,引入多模态的概念,将基于单一传感器下的道路识别结果均转换为二值化图像表现形式。然后构建多模态马尔可夫随机场模型,并对总能量函数进行改进,在其一元项和二元项中均引入雷达点云-视觉图像数据作为约束,最后利用迭代条件峰值算法最小化能量函数,实现对非结构化道路的识别。应用KITTI-Road数据集、Illumination数据集和Slope数据集对本文方法进行了实验验证,实验结果表明,通过将激光雷达点云数据与视觉传感器数据融合的方式形成互补,提高了道路数据分析的准确性,以及道路分割算法的鲁棒性和稳定性。