智能车的感知系统与驾驶的安全密切相关。现有的基于深度学习的感知方法只适用于结构化道路,且因泛化性问题常导致智能车出现交通事故。其他方法,如特征提取算法,则主要面临着精度低,难以平衡精度和计算复杂度的问题。因此,研究适用于多种环境的,稳定、快速、精确的环境建模方法,对于智能车感知系统的发展具有重要的科学意义和应用价值。更进一步,结合多传感器的感知结果对环境进行彩色三维重建,将有利于推动平行驾驶、闭舱驾驶等智能车系统的发展。针对上述问题和需求,本文提出一种以改进图割为核心的,可将人类经验与机器学习有效结合的点云处理框架。基于该框架,本文提出的局部特征提取算法和改进图割算法可以很好地平衡精度和计算复杂度,快速且精确地完成点云地面分割。随后,本文通过图割的残余图快速地组织点云并借助残余流量值判断点与点间的连接关系,从而很好地将图割框架应用于点云的聚类中。最后,基于点云的地面分割和聚类结果,本文提出点云与图像分层融合的彩色三维重建方法对周围环境信息进行表达,为平行驾驶、闭舱驾驶等智能驾驶系统进一步发展提供了有意义的参考。本文的主要工作和创新点如下:（1）针对点云地面分割算法难以平衡精度和计算复杂度的问题,本文提出了一种渐进分割的点云地面分割方法。在粗分割阶段,利用改进的局部特征提取算法快速将点云分类为“高置信度障碍物点”、“高置信度地面点”和“未知分类点”。在精分割阶段,利用粗分割得到的信息,将“未知分类点”的分类问题转换为马尔科夫随机场（MRF）的能量函数最小化问题,并通过改进的图割算法自动化求解MRF最终获得精确的点云地面分割结果。该方法在提高点云地面分割精度的同时,又大大降低了计算复杂度,为点云的地面分割提供了新的思路。（2）针对以上渐进分割方法尚待解决的,基于局部概率的地面搜索算法造成的地面分割精度下降问题、图割过程中MRF能量函数区域项对地面分割产生负面作用的问题以及图割算法未能充分发挥CPU硬件性能的问题,本文进一步提出了基于特殊连接的MRF模型的点云地面分割改进方法。该方法以高斯混合模型搜索方法替代局部概率搜索算法保证了点云粗分割的精度以及“高置信度点”在空间中的均匀分布。随后,通过构建特殊连接的MRF消除了能量函数区域项对地面分割的影响。最后,通过跳跃连接的点云地面分割并行加速算法,大大加快了基于MRF的地面分割方法的计算速度。（3）针对点云聚类过程中数据组织速度慢,难以区分空间位置相近的多个对象等问题,本文提出了基于图割残余图的点云聚类方法。该方法首先对点云投影而来的Range图进行空洞填补,以保证时空相邻点在MRF中的连续性。随后,利用地面分割算法求解过程中产生的图割残余图将可能为同一个对象的点云进行组织,并借助残余流量值以及点与点的空间关系快速且准确的实现了点云的聚类。此外,本文提出了可与上述地面分割并行加速算法紧密结合的点云聚类并行加速方法,保证了点云的处理速度。（4）针对当前彩色三维重建任务中,由于点云投影到图像平面后相互重叠导致的对象层次不清问题,本文提出了点云与图像分层融合的彩色三维重建方法。该方法首先利用点云的地面分割和聚类的结果对点云按照对象远近进行分层。随后,基于三角剖分的方法分别对分层后的对象进行深度评估。最后,通过合并多个分层的深度估计结果得到精确的图像深度图,进而完成彩色三维重建。在实车实验中,通过提出的两种彩色三维重建结果的呈现方法,验证了该方法优秀的环境适应性以及实用性,为平行驾驶和闭舱驾驶等智能驾驶系统提供有意义的参考。综上所述,本文提出了以改进图割为核心的,可将人类经验与机器学习有效结合的点云处理框架,并在该框架上实现了点云地面分割、聚类和彩色三维重建方法。为智能车的环境建模提供有意义的研究思路与效果显著的实验证据。