智能化是全球汽车产业发展的战略方向,自动驾驶正成为各国竞争的焦点。环境感知是实现自动驾驶的首要环节,是汽车决策与控制的基础,为其提供周边多目标位置、速度以及运动行为等必要信息。由于单一传感器自身的固有局限,多传感器融合成为实现复杂环境可靠感知的重要途径,是该领域的前沿技术方向。然而,各类传感器的设计原理和物理特性不同,对环境的描述方法和表现形式均不同,既存在工况适应性的较大差异,又存在耦合对应关系,如何实现各类传感器的充分感知与有效融合是难点所在。本文面向自动驾驶复杂环境感知的切实需求,开展多源异构传感器联合标定、视觉二维目标检测、点云三维目标检测、多源异构传感器融合检测和跟踪等关键技术研究,取得的主要创新成果如下:（1）构建了多源异构传感器时空联合标定方法。针对异构传感器时间基准不一致、采样周期各异等问题,构建了以GPS时间信号为基准的硬件触发和基于Kalman滤波预测的时间同步方法,实现多源异构传感器在时间尺度上的联合标定;针对异构传感器空间不同步问题,提出了基于法向量估算与特征匹配的多激光雷达外参标定和基于几何特征约束的激光雷达与相机外参标定方法,实现多源异构传感器空间尺度上的联合标定;自主开发了激光、视觉、毫米波联合标定软件,标定效率提升50%,为多传感器融合感知奠定基础。（2）创新了基于双特征提取网络的两阶段视觉多目标检测方法。针对视觉目标检测算法在复杂场景下检测精度下降的问题,提出了基于Res Net-FPN候选区域生成网络的特征抽取机制,实现图像深层次特征的有效提取,采用VGG-16网络构建分类回归模块,有效解决了候选区域生成与分类回归之间的特征干扰问题。同时,通过对多尺度目标在不同特征层的分类和回归,提升了网络在复杂场景下的检测性能。在PASCAL VOC数据集,对视角差异性大的自行车类别,检测精度较主流方法提升了3.8%;在MS COCO数据集,对小目标难检样本的检测精度提升5.0%。（3）提出了行驶关联区域划分的注意力门控图卷积点云三维目标检测方法。针对点云算法对小目标和遮挡目标检测精度不足的问题,引入注意力门控机制构建点云图结构,强化点云语义与特征提取网络的交互和更新,提高网络对点云目标的特征提取能力;通过最佳池化比例系数择优,获得了最具判别性的点云图关键节点;提出了基于行驶关联区域的冗余目标过滤算法,通过大津阈值提取点云路面,通过边缘点种子集生成驾驶关联区域,有效提升了算法分类性能。在三种权威数据集,行人和骑行者类别的识别率较主流算法分别提升9.1%和10.4%;经行驶关联区域优化,多目标检测率达到91%。（4）建立了毫米波雷达与视觉相机的目标层融合感知方法。针对毫米波雷达和视觉相机在感知范围和信息完备性方面的互补性,提出了基于马氏距离的目标自适应融合机制,通过联合概率数据关联算法,实现了毫米波雷达和视觉相机输出目标的匹配融合,在六种恶劣天气场景下5000张随机图像样本目标检测实验中,成功融合的数量约占总样本数的66%,有效提升了感知系统的鲁棒性。（5）创新了多源异构传感器数据融合的多目标跟踪算法。建立了激光、视觉和毫米波雷达的分布式融合架构,采用全局最近邻算法对各个传感器的目标数据进行关联,采用无迹卡尔曼滤波实现了多目标的状态估计,完成目标运动轨迹更新。五种复杂场景下的目标跟踪实验表明,多源异构传感器数据融合后的目标跟踪精度达87%,验证了融合感知的效果和优势。基于课题组实车测试平台进行所提算法的移植和应用,经12类典型交通场景测试,多目标感知精度达到97%,能够为自动驾驶汽车提供可靠的环境信息,研究成果具有重要的学术和工程应用价值。