随着全球第五代移动无线通信技术的快速部署,自动驾驶中车与车之间的实时通信成为现实,这为自动驾驶的普及应用提供了条件。其中,自动驾驶系统中的环境感知技术是实现自动驾驶的第一个环节,同时也是实现完全自动驾驶技术中的至关重要的环节,而动态目标检测作为环境感知的重要部分,具有较大的研究意义。因为激光雷达可以提供高精度大范围的环境深度信息,且其不受光照影响,故基于激光雷达点云数据的目标检测成为了时下热门的研究课题。现有的点云目标检测方法可以分为基于深度学习的方法和基于传统技术的方法,深度学习的方法极大地促进了目标检测效果的提升。然而,基于传统技术的目标检测方法中,仍存在地面分割不准确,车辆姿态估计鲁棒性不够高等问题,且都难以达到实时的检测的效果。基于深度学习目标检测方法中,点云目标检测精度仍有提升空间。基于以上问题,本文着手研究点云目标检测过程中的难题,提高点云目标检测的性能。首先,为解决传统方法中精确的点云地面估计耗时严重问题,本文提出了基于快速分段直线拟合技术的点云去地模型。根据点云的成像特性,将点云分割为多个扇形子区域,每个扇形子区域包含若干个原型点。对每一个扇形子区域进行快速分段直线拟合,对于提取到的多个不连续直线段,通过剔除部分不合格的直线和连接部分需要连接的直线段对当前扇形子区域进行地面直线拟合。最后通过计算所有点距离直线段的距离将点分为接近直线的地面点,和远离直线的非地面点。该方法在城市环境和郊区不平坦道路环境都取得良好的效果。其次,为解决传统方法中最优外接矩形预测朝向不准确的问题,本文提出了一种基于最优外圈轮廓点的L-shape结合随机采样一致性检测的最优外接矩形拟合方法。该方法使用外圈轮廓点算法提取得到点云目标的轮廓点云,接着使用L-shape提取点云面向传感器的两个主侧面,最后使用最佳主侧面的一定角度范围内的轮廓点得到最优点云目标朝向。该方法在保证实时运行的同时还极大地提升了点云最优外接矩形估计的朝向准确性,它能够在1ms内对100个点云目标进行拟合。最后,为解决三维卷积神经网络进行点云目标检测耗时严重的问题,本文在保证运行效率的前提下提出了一种可以捕捉点云目标空间特征的目标检测方法。该方法构建了一种多视图的语义学习网络来进行目标检测。该方法首先利用多视图生成器模块从点云的多个角度生成多个点云伪图像。然后,通过空间重新校准融合模块对点云伪图像进行重新校准和融合以提取其语义特征。最后,三维区域生成网络利用融合后的语义特征进行最终的点云目标分类和目标最优外接包围框回归。本文的实验数据集主要为公开的KITTI数据集,根据与相应对比方法的比较可以发现,本文中所提出的方法在时间和准确度上大大提升了点云目标检测的性能。