随着智能交通技术的蓬勃发展,智能车路系统逐步成为新形势下解决交通问题的有效手段。在智能车路系统中,交通环境信息的准确分析是实现“人-车-路-云”高度协同功能的关键因素。车辆作为交通主要参与者,精准感知其空间位置、数量等信息尤为重要。目前路侧车辆检测主要采用感应线圈、视觉传感器等感知技术,难以同时满足高精度、环境适应性、移动性、实时性和空间信息准确性等多方面要求。随着人工智能的发展,以视觉传感器、激光雷达等传感器为信息源,基于神经网络的车辆识别算法逐渐成为该领域的主流方法,该方法性能优势明显,被广泛应用在环境感知方向。从环境感知的角度分析,路侧交通场景的复杂性突出地表现在两方面:车辆目标多尺度化和环境光照多变性。单纯依靠单类传感器很难精确识别车辆,因此如何利用多传感器信息融合,提高多尺度车辆目标的识别准确率,增强抗光照变化干扰能力,获取准确车辆位置信息,保持较高的系统实时性,是极具挑战性且亟待解决的难题。为解决上述问题,本文基于激光雷达和视觉传感器的智能路侧终端车辆识别技术展开研究,主要研究内容如下:（1）基于平面特征的路侧终端感知传感器联合标定算法的研究与设计:该方法以标定板在摄像机坐标系、雷达坐标系的平面特征为约束条件,首先提取平面特征参数并以此为约束关系,线性优化两者距离、角度差值函数以求得标定参数初值。接着以点云平面与图像平面的距离值为目标函数,利用LM迭代算法进行非线性优化,求取旋转矩阵、平移向量。通过实验验证,所设计标定方法能够有效满足传感器间联合标定的精度要求,为后续准确获取车辆位置信息奠定基础。（2）基于视觉传感器的路侧车辆识别方法（YOLO-AF）的研究与设计:以提高多尺度车辆图像的识别精度为目标,对YOLOv3网络进行改进:引入残差注意力模块;增加无锚框特征选择模块FSAF。残差注意力模块在多尺度融合过程中的引入,可以充分突出有效信息,减少无效噪声干扰;FSAF模块的加入,能够改善锚框机制的不足,进一步提升小尺度车辆目标识别性能。实验表明所设计的YOLO-AF网络在路侧车辆识别精度方面有显著提升,尤其是对远处车辆的识别效果提升较为明显。（3）基于视觉与激光雷达融合的路侧车辆识别方法（CBYOLO-AF）的研究与设计:该方法旨在提高光照变化的抗干扰能力,将雷达与视觉信息在数据级和特征级层面上进行深度融合。在YOLO-AF网络中加入子分支特征提取网络,并采用相邻高层级的特征融合方法,以子网络获取的雷达数据、图像色调信息的高阶特征来增强主网络的数据特征。实验表明所设计的CBYOLO-AF网络在保证系统实时性的同时,能够显著提高多种光照条件下车辆识别的精度。实验表明,本文所设计的基于激光雷达和视觉传感器融合的路侧车辆识别方法具有一定的可靠性和环境适应性,能够进一步提高智能路侧终端环境感知系统的性能。