障碍物检测与辨识是无人驾驶汽车环境感知功能的重要组成部分,对于提高无人驾驶汽车行驶的可靠性和安全性起着重要作用;而激光雷达由于测量精度高、范围广被作为主要传感器应用到了无人驾驶汽车上,本文研究了基于激光雷达测量数据的道路交通环境下障碍物的检测和辨识,并确立了基于点云聚类分割的障碍物检测方法以及基于点云特征和机器学习的障碍物分类辨识方法,主要研究工作和成果有以下几个方面:针对无人驾驶车载激光雷达的原始测量数据,提出并制定了一套通用有效的处理方法和流程,对于点云的获取、滤波、运动畸变校正、空间分布特点分析等数据的处理和分析具有一定的参考价值。在障碍物检测方面,明确了障碍物定义及主要检测对象,确定了以点云聚类分割为基础的检测方法;为了避免地面点云对检测造成的干扰,提出了一种基于直线拟合的方法将地面点云作为障碍物点云的背景进行分割并移除,并取得了较好的地面分割效果;针对目前常用聚类分割方法可能导致的欠分割和过分割问题,提出了一种基于欧氏距离的邻近生长聚类方法进行障碍物点云的分割。具体地,建立了点云的k-d树数据结构以进行点云空间快速邻域搜索,通过邻域搜索半径阈值的距离自适应在一定程度上避免了欠分割和过分割问题,同时引入了聚类大小约束和反射强度约束,实现了对邻近障碍物的有效分割,进一步提高了分割准确度;通过PCA主成分分析法对障碍物点云聚类进行分析,建立OBB有向包围盒模型对驾驶场景中的障碍物进行空间描述,并提取了障碍物基本空间信息。在障碍物辨识方面,确立了以点云特征和机器学习为基础的分类方法;通过人工采集和标注建立起障碍物点云数据库,并提取了障碍物的基本外廓特征、反射强度特征、点云统计特征、惯性张量特征、轴向投影高度特征构建起障碍物的组合特征向量和特征数据集;为了达到障碍物分类的目的,选取SVM支持向量机作为分类器模型并利用特征数据集进行了训练,采用准确率、精确率等指标进行模型评估,验证了提取的组合特征向量对于分类的有效性;通过驾驶场景点云的障碍物辨识实验,检验了基于点云特征和机器学习的方法的辨识效果。