环境感知作为移动机器人的“眼睛”,是其导航定位与规划控制的基础。因此,实时有效的可通行区域检测具有至关重要的作用。多线激光雷达凭借其优良的几何特性、精准的测量特性和稳定的工作特性,在环境感知领域具有不可替代的地位。针对现有方法在室外复杂环境下检测性能不足的问题,本文基于VLP-16的稀疏点云数据,研究面向室外复杂环境的可通行区域检测方法。旨在克服复杂环境因素的影响,为移动机器人提供稳定、准确、快速的环境感知能力。研究内容主要包括以下几个方面:（1）为了突破典型方法的局限性,提高检测方法在室外环境下的精度和质量,本文提出了基于线特征提取优化的道路边界检测方法。首先根据约束条件实现了特征点与特征直线的局部最优化提取。其次通过K-Means聚类、横向纵向整合和RANSAC筛选的组合处理方式,快速且精确地获取了描述真实道路边界的直线段。最后充分利用三次B样条插值模型的优良特性,绘制出完整且细腻的道路边界。实验证明,算法在多种室外测试环境下都具有优秀的准确性和鲁棒性。（2）障碍物检测是环境感知的关键任务,本文结合点云数据的栅格方法与几何特征检测障碍物,提高了计算效率且避免了精度损失。方法在径向特征分析过程中引入动态阈值法提取障碍物点,增强了算法的鲁棒性和准确性,并通过判断横向特征有效减少了误检现象的产生。最后以最近邻障碍点为约束,融合道路边界形成机器人的可通行区域。通过多种场景的对比实验证明,算法能够克服弯道、坡道、多障碍、负障碍等室外复杂环境的影响,具有良好的实时性、准确性和鲁棒性。（3）障碍物的类别、轮廓等信息具有更高的应用价值和研究意义。本文以车辆和行人作为主要障碍物模型,通过栅格的邻域增长聚类对其进行分类任务的研究。方法利用先验知识构建障碍栅格地图,并基于邻域增长法对障碍栅格进行区域性聚类和分割。然后根据聚类的分布特性提取矩形轮廓,精确地标记了障碍物的类别、规模和位置。最后结合聚类的高度信息和几何特性,实现了车辆和行人的简单分类。实验结果验证了算法的正确性与有效性。