近年来,车辆自动驾驶技术得到了快速发展,这也促进了自动驾驶系统传感器技术的进步。激光雷达作为自动驾驶系统中的核心传感器,能够快速准确地捕获大量3D信息,为自动驾驶系统提供必要的感知信息。然而,激光雷达的检测性能会在恶劣天气条件下受到影响。因此,在恶劣天气条件下保持稳定运行是自动驾驶技术取代人工驾驶所面临的一个重要挑战。降雨和降雪天气是典型的恶劣气候,在降雨和降雪天气条件下,激光雷达的回波信号中会存在噪声信号,干扰自动驾驶感知系统正常工作,存在系统误判等安全隐患。在降雨和降雪场景中,雨滴和雪花会分布在激光雷达传感器的检测范围内,影响激光雷达的检测性能。因此,激光雷达点云必须要经过滤波去噪处理才能投入应用。常规的点云噪声都有相对应的滤波算法处理并且都具有较好的滤波效果,但对于降雨和降雪场景中的噪声,这些算法难以取得较好的噪声滤除效果,并且会错误地移除部分环境特征点导致环境细节的丢失,这是由于雨雪噪声具有不同于常规噪声的独特分布特性。雨雪噪声在激光雷达传感器的较近距离处密度大,而随着距离的增加,噪点的密度也逐渐降低。强度信息是一种用以衡量激光雷达检测到的被目标物体反射回来的激光脉冲回波强度的测量指标。不同的目标物体反射回来的激光脉冲回波强度不同,因为这个特性,强度信息可以作为目标物体的一种特征信息,并据此实现识别分类的目的。然而,因为目标物体有可能与其他物体具有相似甚至相同的强度信息,仅通过强度信息对目标物体进行识别分类有可能导致错误的分类结果。统计学滤波算法能够在距离激光雷达传感器中近距离取得良好的滤波效果,但是通常也会丢失距离较远的环境特征信息。为了更好地解决雨雪噪声影响的问题,本文提出了一种引入强度和距离信息的统计学滤波改进算法。实验表明,通过引入强度信息和距离信息,改进后的算法在降雨和降雪两种场景下都表现出良好的鲁棒性。该算法能够在提高噪声移除率的同时,进一步减少环境特征的损失率,并且具备良好的算法效率。本文的主要工作与创新如下:（1）针对目前国内缺少恶劣气候条件自动驾驶数据集的情况,本文通过搭建点云采集系统,自行获取降雨和降雪两种天气条件下的天气激光雷达点云数据,并使用Cloud Compare点云处理工具对点云数据进行人工逐点标记分类,制作实验组数据和参照组数据,作为本文实验的基础数据,为后续的实验验证工作提供数据支撑。（2）基于采集的点云数据,编写程序对数据进行等距离分割,通过统计每部分距离区间范围中的点数量及其强度信息,分析雨雪噪声点的空间分布特性及其强度信息的数量分布特性,尝试编写算法程序以拟合伽马分布数学函数曲线模型,用以描述雨雪噪声点的空间分布规律。（3）融合现有点云滤波算法的优势,提出一种针对雨雪天气场景的点云滤波改进算法,该算法通过在统计学滤波算法中引入强度信息和距离信息作为约束条件,使其能够在滤除雨雪噪声的同时保留更多的环境特征点,而且对设备的算力资源消耗更少,相比于现有算法在滤波精度和实时性能两个方面都有明显的性能改善。（4）评估现有点云滤波算法和改进方法针对雨雪天气条件点云数据的滤波综合性能表现,分析改进算法对比现有算法的优势及特点。实验表明,改进算法在降雪场景中相比于现有算法取得了最好的滤波精度和算法效率,在降雨场景中相比于现有算法也取得了良好的滤波效果。同时,相比于现有滤波算法,在应用场景方面有最高的鲁棒性,能够满足降雨和降雪天气条件下点云滤波的应用需求。