道路面、道路标线和交通杆状物等道路要素是智能驾驶高精度地图存储、管理的基础对象。传统通过人工测量获取道路要素空间信息的方式成本高昂且效率低下,无法满足智能驾驶对道路要素三维信息快速获取与更新的需求。车载Li DAR技术作为一种新型的数据采集方式,能在行驶过程中大范围、快速地采集道路场景高精度的地理空间数据,对智能驾驶、智慧交通的建设作用巨大。车载Li DAR系统按激光束扫描方式分为单线系统和多线系统两类。单线系统点云精度高、内部一致性好;多线系统点云更加稠密,但结构散乱且存在更多的强度噪声点。目前,道路要素提取算法的相关研究主要面向单线系统点云。由于单线系统点云相对稀疏,容易造成地物信息缺失,其应用受到了一定限制。为了充分发挥两类系统各自的优势,并弥补彼此的不足,本文针对单线和多线系统点云之间的差异性,研究能够同时适用于两类系统点云的道路要素自动提取方法,主要工作如下:（1）针对车载Li DAR点云体积庞大、离散,同时单线和多线系统点云内部结构差异大,难以统一组织和提取道路面的问题,提出一种基于伪扫描线的结构化道路面提取方法。根据非地面点的空间分布特征,研究地面点滤波,将场景点云分为地面点和非地面点,降低地物信息提取的复杂性,并能够提高运算效率;利用载体轨迹信息将点云组织成伪扫描线结构;分析道路边界与路缘石的高程差异和水平距离差异从伪扫描线中检测道路边界点,实现道路面的自动提取。（2）针对点云的密度分布不均匀和存在强度噪声点,难以从道路面精确提取道路标线的问题,提出一种基于双边缘约束的道路标线提取方法。利用点云的局部密度差异自适应改变中值滤波窗口的尺寸,平滑点云的反射强度值;分析道路标线的强度特征构建双边缘约束模型,通过检测道路标线边缘点提取道路标线;根据非道路标线点的空间几何特征,实现道路标线的精化。（3）针对如何从复杂的道路环境中提取交通杆状物的问题,采用了一种基于分位数的杆状结构检测方法。利用局部区域地面点高程较低的特点滤除地面点,并将非地面点分割成独立的点云对象;根据能量函数最小化准则,将交通杆状物从粘连对象中分割出来;通过在识别区域分析杆状结构的粗糙度实现交通杆状物的自动提取,并根据维度特征将错误提取的非交通杆状物剔除。本文使用单线和多线Li DAR系统分别在不同道路环境中采集了6份实验数据。4份数据用于验证基于伪扫描线的结构化道路面提取方法和基于双边缘约束的道路标线提取方法。道路面提取的平均召回率为99%、准确率为98%和综合评价为96%;道路标线提取的平均召回率为90%、准确率为95%和综合评价为92%。2份数据用于验证基于分位数检测的交通杆状物提取方法。交通杆状物提取的平均召回率为98%、准确率为97%和综合评价为98%。实验结果表明,三种方法能有效从单线和多线系统点云中分别提取道路面、道路标线和交通杆状物。