本文就是针对无人驾驶和自动驾驶辅助系统的,基于激光点云的道路目标检测研究,传统基于二维图像的自动辅助驾驶系统会受到光照、天气各种因素的影响,会影响辅助驾驶的安全性。为了解决二维图像存在的安全问题,提出了使用三维数据采集设备作为感知设备的方法来解决,其中最重要的部分和前提条件就是道路目标检测,其主要难点为三维空间中环境复杂,噪声点过多,使得目标被遮挡导致难以检测,且点云密度近密远疏,使得检测难度更大。本文针对道路目标检测,提出了以下检测流程:在检测阶段,使用体素滤波的方法对数据进行下采样操作,降低了计算量和提高效率;对单分区地面点拟合方法进行改进,按车辆行驶方向对三维空间进行分区,再对多个分区进行拟合,在拟合平面初始点的选取中设置了高度阈值,提升算法的收敛速度,最终将多个分区的拟合效果进行拼接得到最终的效果;在实现聚类的过程中,对比传统聚类的效果,使用基于密度的聚类方法,不仅增强了算法鲁棒性,还提高了聚类效果;当完成前一阶段,得到待识别聚类簇后。本文采用了PointNet++模型对现有已分类好的数据集进行训练,再将训练好的模型用于聚类簇的识别,最后对固定类别的聚类簇进行中心点和包围盒的生成,得到最终的三维点云空间的道路目标检测效果。其中针对原始PointNet++网络模型采样尺寸固定的问题,且训练过程存在在过拟合的问题,提出了基于自适应采样尺寸的ASS＿PointNet++网络模型,提升了网络识别效果和准确率。