在面向室外的环境感知技术中,利用激光雷达收集高精度的三维点云数据已成为研究者获取环境物体表面空间信息的重要手段。在点云数据处理任务中,快速、高效的点云分割及分类技术是智能机器人、智能驾驶汽车环境感知功能的重要技术支撑。然而,激光雷达收集到的三维点云数据复杂度高、数据量大,并且分布不均匀,这为高效、准确地处理三维点云数据带来了难度,并且由于点云数据排列方式与二维图像中像素的规则的排列方式不同,这使得卷积神经网络不能直接用来获取三维点云之间的局部相关性信息。因此,为了提升Li DAR点云中的物体分割速度及分类的准确性,本文利用车载激光雷达采集大规模三维点云数据,完成了以下工作内容:1)在无人驾驶汽车车顶安装32线激光雷达设备,在室外采集无人驾驶汽车周围环境的原始三维点云数据,并对其完成数据精简操作;2)用本文提出的基于图形处理器加速的连通区域标记算法完成了对三维点云数据的快速、实时的分割,并对该算法进行了CPU-GPU的性能对比,通过对比实验得出本文所提出的三维物体分割算法可以实现超过30fps(每秒帧)的分割速度,可达到优化无人车感知周围场景的运行效率,提高无人驾驶自主决策的能力。3)在基于深度学习的三维点云物体分类算法中,由于本文所采集的点云数据较为稀疏,因此搭建了一种适应于稀疏点云的多分辨率分组采样的PointNet++网络模型结构。该模型采用球查询方法查询样本点的邻域,用中心点的邻域局部特征作为微型PointNet网络的输入进行特征学习;为了对输入点云进行规范化处理,提高模型的分类准确率,本文增加了输入转换层来完成输入点云的对齐操作;还结合多分辨率特征融合的思想,完成高效准确的三维点云的分类和识别任务。4)在对比实验中,本文对比了一些经典深度学习分类算法,其中本文所提出的模型有较好的分类效果,其分类准确率达到91.5%,相较于PointNet++网络模型的分类准确率提升了0.8%。除此之外,本文还采用传统的基于手动提取特征方法提取分割后点云物体的全局特征,然后利用不同的机器学习分类器完成对三维物体模型的分类任务,并统计不同模型在相同测试数据下的分类准确率。