随着我国城市化进程的不断推进,轨道交通以其所特有的快速高效、载客量大等优点,已经成为了城市快速交通的主要手段。为了提高轨道交通列车运行的安全运营系数,针对路网轨行区前方障碍物的实时检测变得尤为重要。基于可见光传感器的现行障碍物检测方案缺乏深度信息,且易受环境光照条件影响。鉴于激光雷达具有稳定的三维位置信息获取能力,本文重点研究面向轨道交通复杂环境的三维点云语义解析方法,以提升障碍物检测的准确性。然而三维点云语义解析的难点在于（1）手动标注工程量巨大;（2）自动标注缺乏足够的纹理信息加以引导。因此本文通过融合来自2D相机的RGB图像数据,将图像语义分割所获得的标注结果迁移至点云数据中,实现三维点云的自动标注;进而依托轨道交通环境的点云标注数据,优化点云语义分割模型,寻找低时延感知能力和高精度检测性能的平衡。本文的主要贡献有:（1）面向轨道交通场景的单目测距算法。本文利用轨道线平行且间距已知这一特殊条件,能够对线上任意点实现基于2D图像的单目测距,从而对场景内其他未知尺寸物体的深度信息进行精确估算。该方法不需要对已知尺寸物体进行检测识别即可完成对场景深度的估计与判断,同时该方法可拓展至任意存在平行关系的场景内。在实际工作场景中,该算法表现良好,测距准确率为98.10%。（2）基于相机与激光雷达的自动外部校准算法。该算法通过求解图像像素点深度,实现对二维像素坐标的深度信息补充,并且将多传感器的联合标定问题简化为平移与旋转的位姿矩阵计算,从而利用两个坐标系下的三维线面对应关系,实现外部参数的计算。该方法可以实现在线标定、单帧标定,节省大量人力,其单帧数据的平均标定误差值为3.24个像素,经过多帧迭代后,误差可降至2.25个像素。（3）融合图像语义解析的三维点云语义标注方法。想要实现点云的高精度标注任务量极大,因此本文将二维的图像语义标注迁移至三维点云语义标注中,利用相较更为成熟的图像语义分割技术获取环境理解与分析的结果,再迁移至点云中,该点云标注方法更为快捷与方便,并且精度更高。（4）面向点云的改进型语义分割网络框架。在现有的、对于大规模场景分割效果出类拔萃的网络架构RandLA-Net基础上,将残差网络直连,并通过共享MLP将特征维度提高再压缩,选取其中的重要信息进行保存,从而增加该方法适应低算力约束的能力,实现精度的进一步提高。本模型在标准数据集Semantic3D（reduced-8）中mIoU可达到78.5%,在实际建立的轨道场景点云数据集中mIoU为82.4%。