汽车的智能化与电动化是汽车技术未来发展的主要趋势,道路环境感知是汽车实现智能化的关键环节。其中,道路边界、道路可行驶区域以及道路中正负障碍物（凸包、凹陷）的检测是道路环境感知的重要方面,对智能车辆平顺行驶与安全行驶至关重要。道路状况复杂多变对道路信息感知的准确性产生巨大的挑战。因此,本课题以车载激光雷达为核心传感器,重点研究雷达点云配准、可行驶区域分割以及道路凸包、凹坑等障碍物的准确识别,从而有效提高智能车辆安全性和平顺性。首先,构建基于激光雷达的道路信息采集软硬件采集平台,着重分析了激光雷达安装方式对信息采集的影响;在此基础上,针对雷达原始数据存在的无拓扑关系、数据量大、分布不均匀且包含大量噪声点的问题进行数据预处理,采用空间栅格法进行点云拓扑关系的建立,采用体素栅格下采样对点云数据进行压缩精简,采用距离比较法和双边滤波法对点云数据进行去噪与光顺处理,从而在保持原始点云特征不变基础上有效提高了计算效率。其次,研究了点云配准的数学模型和方法,针对传统ICP算法在配准过程中精度低、准效率差且易局部最优的问题,提出改进的ICP算法,在粗配准阶段采用主成分分析法获得带配准两点云的主坐标系,然后进行刚体变换使两点云重合完成粗配准;在精配准中采用kd-tree查找对应点对,并且将Tr ICP算法与法向量夹角阈值法相结合来去除错误点对。实验表明改进的ICP算法在精度和计算效率上都优于传统的算法。最后,针对道路环境雷达点云数据进行语义分割,实现道路边界、可行驶区域及道路中正负障碍物（凸包、凹陷）的有效识别。为提高识别精度,提出算法采用随机降采样和局部特征聚合的网络结构对道路信息进行提取分割;在分割过程中加入随机降采样的方法,从而提高点云信息的计算效率;为解决道路信息分割过程中关键特征丢失的问题,加入局部特征聚合器来增加每个3维点云的接受域来保留几何细节。实验结果表明,提出算法对于凸包、凹坑、道路可行驶区域的识别精度与传统卷积神经网络相比有显著提升。