无人车的环境感知作为自动驾驶的第一个环节,其核心在于使无人车能够准确地感知并理解车辆自身和周边环境的状态,而环境感知的一个重要分支就是障碍物检测。本文以无人车的障碍物检测为研究对象,采用局部高度差与多帧融合技术实现了正障碍物检测;采用侧装32线激光雷达的方法实现了非结构化环境中的负障碍物检测;提出了逆深度直线进行点云分割。详细的研究工作总结如下:（1）为了检测非结构化环境中的正障碍物,提出了基于局部高度差与多帧融合的正障碍物检测方法。在数据处理上,将激光雷达数据栅格化,避免处理大量的点级的数据,从而达到减少运算时间的目的。进而在高度维上进行局部的边缘检测,从而初步检测出正障碍物栅格。利用GPS的定位信息和IMU的姿态信息,使用历史正障碍物特征点对当前的正障碍物特征点进行增补。通过统计障碍物在连续帧中出现的次数,进行噪声剔除。最终稳定地检测出正障碍物。（2）为了检测非结构化环境中的负障碍物,提出了利用侧装的两个32线激光雷达进行检测,并分析了该系统检测负障碍物的可行性。通过对侧装32线激光雷达扫描特性分析,提出了负障碍物点云距离断层特征与密度特征,根据这两个特征值提取出负障碍物特征点组。然后分析了不同地形下负障碍物特征点组内的三个点之间的几何关系,并对负障碍物特征点组设置了较为松散的约束,该方式很大程度上降低了负障碍的漏检率。最后采用DBSCAN聚类算法对负障碍特征点进行聚类,以获取负障碍的个数与类别。（3）针对点云分割问题,提出了逆深度直线（IDL）模型。设计了一个2D结构数组来存储和索引点云,使点云从无序变成有序,方便索引与查找。然后,基于激光雷达的坐标转换原理,推导出逆深度直线模型来估计道路平面。最后,提出了逆深度分割（IDS）算法对障碍物和可通行区域进行分类。