自主车辆是未来智能交通系统的重要组成部分,在改善交通、便利出行等方面具有广阔的应用前景。自主驾驶的基础是精准的环境感知,尤其面对复杂的城市环境,准确的检测与跟踪其他的交通参与者,如行人、车辆等,是环境感知的基本要求。本文面向智能车辆在复杂环境下的自主驾驶需求,以高精度车载三维激光雷达作为传感器,对交通最主要的参与者——车辆进行实时检测与跟踪。本文取得的研究成果和贡献如下:1、针对传统分割聚类算法的欠分割和过分割的缺点,本文引入了计算机视觉领域的滑动窗思想,提出了一种新的基于观测角度的滑动窗模型来快速提取车辆候选区域。该方法将不同观测角度的滑动窗模型与雷达数据相结合,对滑动窗模型内的雷达数据提取具有代表性的弱特征来滤除最不可能是车辆的目标。这不仅克服了传统聚类分割算法常见的过分割与欠分割问题,也处理了由于观测角度和观测距离的改变所带来的目标点云分布变化问题。更近一步,本文提出的算法能够对车辆的姿态进行估计,为以后车辆跟踪提供初始值。2、本文首先进行手工标注样本,根据三维雷达点云的分布特性,按照不同观测角度和距离对样本进行分类,然后使用手工标注的精准样本集训练分类器,并对公开数据库进行提纯校正,我们将提纯后公开数据库样本与自己标注的样本构建了一个新的基于三维点云的车辆数据库;并且针对车辆特性提取了两个新的特征:沿车长方向的高度轮廓特征和点云数目特征,该特征与其他常用特征相组合,并采用AdaBoost分类器对不同距离与方位的车辆进行识别,可以获得令人满意的结果。3、本文改进了一种基于点云概率积分的车辆观测模型,将该模型与粒子滤波相结合对检测到的车辆进行跟踪,可以获得较为准确的车辆姿态和速度估计,并且能够有效处理被遮挡车辆的跟踪问题,在拥挤的城市环境中可以获得较好的跟踪效果。