无人驾驶技术能依托人工智能实现产业转型升级,已经成为国内外科研人员进行研究的热点课题。无人驾驶体系主要包括感知、规划、控制三个核心部分,其中环境感知主要是指无人驾驶车辆获取并提取场景信息的能力,是无人驾驶车辆实现无人驾驶的关键性环节,一直是无人驾驶领域需要研究攻克的重难点问题。而激光雷达已成为无人驾驶环境感知中不可替代的关键主流传感器,可以实时对周围场景进行地图三维重建,为规划模块提供必要的目标场景信息,备受广大科研人员的青睐。本文针对道路场景中无人驾驶车辆自身运动位姿和周围其他动态目标运动位姿的感知需求,开展基于激光点云的动态目标位姿估计研究,主要研究内容如下:（1）为了解决机械激光雷达在扫描期间因快速运动出现的激光点云运动畸变问题,提出一种激光点云运动畸变补偿算法,根据每个激光点对应的时间戳进行运动补偿,来消除无人驾驶车辆快速行驶所引起的激光点云失真变形影响。（2）为了进一步提高目标检测的准确性和实时性,采用多地平面拟合算法进行地面点云和非地面点云的分割;采用自适应距离阈值的改进欧式聚类算法对激光点云聚类处理,将点云聚类归簇,并用三维Bounding Box进行包围描述;采用优化K-D tree近邻搜索法,来加速激光点云中三维空间点的管理和检索,减少处理耗时。（3）为了解决无人驾驶车辆自身的位姿估计问题,采用Generalized-ICP配准来计算相邻两帧点云的变换矩阵,此时的变换矩阵也就是无人驾驶车在两帧期间自身位姿的变化,再将获取的变换矩阵相乘累积,可持续获得无人驾驶车自身的定位,并可估计出每帧点云时无人驾驶车的位置状态信息。（4）为了解决基于激光点云的无人驾驶车辆周围动态目标位姿估计问题,提出了一种基于改进匈牙利算法的动态多目标位姿跟踪算法。考虑多个关联特征来计算关联得分,获取数据关联矩阵,转化为最佳完备匹配问题后并用改进的匈牙利算法优化求解,进行数据关联实验验证;采用扩展卡尔曼滤波器的多目标位姿估计系统,对实际场景中的动态目标进行位姿跟踪实验,能够实现对交通道路场景中多目标的实时位姿跟踪估计。本文针对上述研究内容设计相关实验,进一步验证算法的可行性和准确性,结果表明该算法能够较好地完成无人驾驶车辆自身的位姿估计和周围动态目标的位姿估计。