随着无人驾驶发展的火热，作为水上无人载体的无人艇(Unmanned surface vehicle, USV)逐渐进入大众视野。由于激光雷达具有测距精准，抗干扰能力强等的优点，因此常被用于无人艇中短距离的环境感知工作中，但目前公开的算法尚无法完全支持真实水面场景下障碍物的检测与识别。因此，本文以搭载禾赛Pandar40激光雷达的某无人艇作为研究对象，研究真实水面场景下水面障碍物的检测与识别方法，支撑无人艇的自主航行和环境感知。本文以水面环境点云场景作为背景，将研究内容分为点云预处理，目标检测与目标识别三个部分，主要研究内容如下：
　　针对点云预处理，本文简要介绍禾赛Pandar40激光雷达的相关指标并讨论其成像模型与数据解析方案，并分析激光雷达水平与垂直方向点云分辨率特点。针对水面场景下，激光雷达原始点云中的离群点噪声和缺失点噪声，提出基于距离归一化的KNN统计滤波算法进行离群点滤除，提出共线准则进行缺失点快速判断与补全。实验证明上述算法能够有效对水面场景噪声进行滤波，提高场景点云质量。
　　针对目标检测，本文首先对水面场景点云特点进行详细对比分析，并从点云组织方案出发说明了经典算法难以满足水面环境点云目标检测的原因。然后，本文使用前视投影栅格图作为点云组织结构，为算法设计在分割精度和时间效率提供结构支持；对尾流滤除，本文提出基于点云垂直属性结合改进的RANSAC算法的尾流滤除算法，避免了尾流滤除过程对障碍物点云的破坏。对于目标聚类，提出基于相邻点角度阈值的聚类准则，并在前视投影栅格图上利用连通域快速标记算法完成对障碍物点云的快速聚类。实验证明，本文提出的算法具有高分割性能与极低的时间复杂度，能够有效完成无人艇水面目标检测任务，并为后续的目标识别任务提供支持。
　　针对目标识别，本文制作了基于激光雷达扫描的典型水面点云目标识别数据集，并提出了Light-PointNet和Multi-ScaleL-PointNet两种基于点输入的识别网络结构，解决分辨率改变的激光雷达点云目标识别问题。实验证明，本文制作的水面点云识别数据集为深度学习引入水面点云目标识别任务提供基础，同时，本文提出的两种识别网络结构能够有效完成水面目标识别任务，与传统手工描述子对比，本文方法在识别效果，时间效率上均具有明显优势，能够更好支撑无人艇对环境的感知需求。