无人驾驶技术应用领域十分广泛,其中感知技术是实现无人驾驶的首要前提,而激光雷达凭借其稳定性强,探测精度高等优势成为了无人驾驶感知模块的主流传感器。课题基于激光雷达在感知技术中的作用,搭建了无人驾驶平台,开展了三维激光点云数据预处理的相关研究,并在此基础上探索障碍物点云的检测与跟踪方法,研究一种低成本、高效率且具有实用价值的园区内障碍物检测与跟踪方法。主要研究工作如下:（1）针对激光雷达采集的原始三维点云信息庞大,处理复杂度高的问题,提出一种简便、高效的点云预处理方法。首先对原始点云进行降采样并去除噪声点云,然后通过提取路沿点来划分感兴趣区域（Region Of Interest,ROI）,再以地平面拟合的方式分割地面点云与非地面点云,最后得到ROI内的非地面点云。实验证明,通过该方法能够获得需要的有效点云。（2）针对传统密度聚类算法在聚类时对远距离障碍物易漏检,相邻障碍物存在欠分割和过分割且算法耗时较大等问题,根据激光束在水平和垂直方向上分布不同,提出一种自适应调整聚类半径的DBSCAN算法。另外基于“分组聚类”思想结合改进的k-means算法提出一种快速且准确的障碍物检测方法。最后利用最小凸包的方法对障碍物点云进行拟合边界框,得到障碍物的三维属性等信息。通过实车实验证明,该方法在远距离、障碍物间距较近的场景中有更好的效果。（3）针对障碍物之间存在遮挡、关联信息匹配不稳定等问题,提出一种基于多关联特征的多目标跟踪方法。首先基于空间欧氏距离、障碍物航向信息、边界框3D交并比设计关联矩阵,然后基于此关联矩阵,对前一帧跟踪列表中的障碍物进行预测,把预测值与当前帧中的障碍物观测值进行匹配,最后使用匹配结果管理模块进行处理,完成对障碍物的状态估计。通过实车实验证明,该方法在多障碍物、存在遮挡和障碍物的出现与消失等场景中有更好的效果。