可行驶区域建模是导航系统中基础而重要的模块之一。准确、高效、稳定地获取环境中的可行驶性信息是保障无人车安全行驶的基础。目前主流的可行驶区域建模方法主要使用激光雷达对环境进行感知,但由于激光点云数据量大,稀疏且分布不均等特点,通常会带来可行驶区域建模的准确性与实时性问题,从而给无人车在室外环境中准确和高效地获取环境可行驶性信息带来了一定的挑战。此外,随着应用场景的复杂性提升,单源感知所展现出的局限性,如单一激光感知难以识别结构化特征不明显的环境信息,单一视觉感知通常在训练集上性能表现较好,但在真实场景下容易出现泛化性能较差,对环境变化的鲁棒性不足等问题,也给无人车在大规模室外场景中稳定地获取可行驶性信息带来了一定的挑战。因此,如何借助多传感器的互补特性,对多源观测信息进行融合以克服单一感知的局限性,在地面无人车的可行驶区域建模中也显得尤为重要。本文聚焦目前室外场景下可行驶区域建模方法中存在的准确性、实时性与鲁棒性不足等问题,通过对多传感器的环境观测信息进行高效建模,开展了基于激光的环境可行驶区域建模、激光视觉融合的环境可行驶区域建模等方法研究,主要工作及贡献点如下:（1）针对现有的基于稀疏激光点云的可行驶区域建模方法精度与效率较低的问题,提出了一种基于多级B样条曲面的可行驶区域建模方法。该方法使用多级B样条曲面对激光点云进行地形建模,通过卡尔曼滤波对地形图进行融合更新,进一步结合地形几何特征划分出可行驶区域,实现了室外场景下的大规模可行驶区域建图,并且有效地提升了对环境可行驶区域刻画的准确性与实时性。（2）为了进一步提升可行驶区域建模方法的准确性与鲁棒性,通过借助视觉语义信息,提出了一种融合环境语义感知的可行驶区域建模方法。该方法利用视觉语义信息将激光感知中难以识别的杂乱区域正确地识别出来,同时通过激光感知进一步消除语义分割中存在的错误分类,实现了真实室外场景中更加准确和鲁棒的可行驶区域建图。（3）在前两部分工作的基础上,提出了一种融合可行驶性信息的路径规划方法。该方法通过将可行驶区域建模得到的可行驶性信息,引入到路径规划的状态采样及路径搜索过程,实现了可行驶性建模性能在感知层面和导航层面上的度量,进一步验证了本研究所提出的可行驶区域建模方法及路径规划方法在无人车导航中的实用性。