安防机器人作为安防领域行业中的新兴技术,必须在安防巡逻任务执行的过程中有严格的逻辑基础支撑才能够安全投入市场。其中以激光雷达传感器为代表的机器人感知方式具备大范围、高精度的成像特点,研究基于激光雷达的园区安防机器人感知技术对于机器人安防部署方案的实现与推动具有十分重要的意义。本文根据机器人感知任务的基本要求,分别针对地图重建、基于支持向量机的行人检测和基于深度学习的车辆检测三个方面提出了一套完整可行的机器人感知方案,最终得到了包括地图和检测结果在内的感知信息。全文研究内容如下:（1）针对点云数据地图重建过程中的位姿估计计算复杂和旋转漂移等问题,利用点云的结构属性和邻域属性设计了用以目标函数推导的边缘特征点和平面特征点并给出了相应的点对匹配方法,结合轮速里程计等硬件层面的约束解决旋转漂移的问题,最终在重建的步骤中进行局部优化和全局优化以构建完整的高质量地图。（2）其次为满足行人目标检测快速响应及本地部署的需求,提出了基于多尺度多特征的行人检测支持向量机方案,通过制定分段欧式聚类的方案实现了点云簇的获取,并对不同距离下的行人点云簇进行了特征和信息的分析,定义了距离、协方差和转动惯量等七个特征来区分行人点云簇。此外为实现行人目标的跟踪,构建了匀速运动模型并提出极坐标系形式的表述,针对转换后的非线性问题,选择非线性问题情境下具备更强鲁棒性的无损卡尔曼滤波对行人进行跟踪。（3）由于园区内静止或动态的车辆在其结构、类型和反射强度存在差异的情况下,支持向量机的准确率较低且鲁棒性较差,无法满足安防巡逻中车辆检测的要求。此外,就意外碰撞产生的社会影响而言,车辆检测能够接受相比于行人检测更低的响应速度,因此能够考虑在服务器上部署大型的点云检测网络。对此本文提出了一种基于数据集扩展的深度学习方案,利用扫描空间的共性分析获与项目数据对应的训练数据集,同时采用稀疏卷积的形式来加速训练的过程,通过Open PCDet提供的算法框架完成模型的获取。此后为补偿数据集扩展后带来的不利影响,本文提出以时序信息对检测的结果进行优化,并推算检测目标的状态信息,最终实现车辆检测方案。