无人自主车是一种集环境感知、规划决策、运动控制功能于一体的人工智能平台。无人车对周围环境的感知需求是多方面的,其中之一就是对障碍物进行检测,并在此基础上,对感兴趣的目标,如车辆和行人,进一步进行检测和判别,以便合理应对。在可使用的传感器中,激光雷达由于其高精度测距、探测范围大、抗干扰能力强等优点,近年来在移动机器人上的应用越来越广泛。因此本文研究的重点是基于三维激光雷达的目标检测。本文将目标检测分为障碍物检测和目标分类两个阶段。对于障碍物检测,首先介绍了论文研究的64线激光雷达传感器,并推导了三维点云坐标转化的内参模型和外参模型。采用基于障碍栅格的检测方法,将三维点云进行栅格投影和属性判断。为了抑制传感器和环境噪声,进行悬空点滤除和单点滤除。障碍栅格检测具有快速稳定,缺点是对数据的分割精度较低,易产生欠分割。因此本文提出了基于点云梯度的局部最优分割方法,首先对扫描线的点进行梯度分割,然后在聚类的分割段中依据障碍属性滤除误检,最后根据可靠的非障碍点估计局部地面来恢复漏检点。实验表明基于点云梯度的局部最优分割方法效果比栅格方法好,但由于其计算量较大,实时性受到限制。在得到障碍物信息的基础上,采用基于距离相关性的聚类和提取障碍物轮廓,并讨论了障碍的可通行区域检测。对于目标分类,本文将环境中的障碍物分为三类：车辆、行人、其它。检测过程中自主车是运动的,因此无论障碍物是否运动,在自主车看来都是运动的,所以本文不从是否运动的角度来分类障碍物。这样做的好处是即使车辆或者行人是静止的,也能得到较好的检测。分类的主要思想是先检测车辆和非车辆,然后在非车的障碍物中根据简单几何特征来判断行人。针对车辆几何形状相似难以区分和物体遮挡等问题,提出了三种新特征描述：反射强度概率分布、纵向高度轮廓分布和位置姿态相关特征。最后根据障碍物的三维点云数据特征,实现了基于SVM分类器的实时车辆检测。在城市复杂路口下实验,验证了本文所提车辆和行人检测特征的有效性,并且整体系统能有较好的目标检测精度和实时性能。