针对目前摄影测量领域中编码靶标解码算法复杂和解码正确率易受拍摄角度影响的问题，设计一种基于射影不变原理的编码靶标及其解码方法。该编码靶标的模板包含一个基准圆和若干个编码圆，从模板中任选4个编码圆与基准圆以组成靶标，通过选择不同的编码圆组合来实现编码功能。解码过程中，利用基准圆和编码圆的几何位置关系和面积关系，实现基准圆和编码圆的快速自动定位；通过计算靶标中5个圆的圆心交比这一射影不变量，实现靶标的快速自动解码。实验结果表明，由于将射影不变量作为编码信息，当拍摄角度较大时，所设计的靶标的解码正确率高于传统的编码靶标，在60°的大角度下拍摄可以达到100%的解码正确率。

在无人驾驶汽车的研究中，对于传感器探测到的目标进行状态估计是环境感知技术的关键问题之一。本文提出了一种基于无损卡尔曼滤波器的算法，根据所获得的经过标记的雷达数据对目标的位置状态进行预测和更新，从而估计无人驾驶车辆双雷达系统的目标位置。本文中的车载雷达系统由四线激光雷达和毫米波雷达组成，标定后的车辆坐标系为与地面平行的二维坐标系，在此系统和坐标系基础上，在实验场地采集真实雷达数据并进行仿真计算。实验证明，相较于单一传感器，雷达组合模型的测量误差得到有效降低，融合数据精度提高。而相较于目前最常用的扩展卡尔曼滤波算法，车辆行驶方向上的平均位置均方误差从 6.15‰下降到 4.83‰，与车前轮轴平行的方向上，平均位置均方误差值从 4.24‰下降到 2.99‰，表明本文算法的目标位置估计更加精确，更接近实际值。此外，在同样的运行环境下，本文算法处理 500组雷达数据的平均时间也从 5.9 ms降低到了 2.1 ms，证明其有更高的算法效率。

环境感知系统是智能车辆的重要组成部分，它主要是指依赖于车载传感器对车辆周围环境进行探测。为了保证智能车辆环境感知系统的准确性和稳定性，有必要使用智能车辆车载传感器来检测和跟踪可通行区域的目标。本文提出一种基于激光雷达和摄像机信息融合的目标检测和跟踪算法，采用多传感器信息融合的方式对目标进行检测和跟踪。该算法利用激光雷达点云数据聚类方法检测可通行区域内的物体，并将其投射到图像上，以确定跟踪对象。在确定对象后，该算法利用颜色信息跟踪图像序列中的目标，由于基于图像的目标跟踪算法很容易受到光、阴影、背景干扰的影响，该算法利用激光雷达点云数据在跟踪过程中修正跟踪结果。本文采用 KITTI数据集对算法进行验证和测试，结果显示，本文提出的目标检测和跟踪算法的跟踪目标平均区域重叠为 83.10%，跟踪成功率为 80.57%，与粒子滤波算法相比，平均区域重叠提高了 29.47%，跟踪成功率提高了 19.96%。

随着全球智能驾驶进入产业化与商业化的准备期，车载激光雷达凭借其优异性能已成为不可或缺的环境感知传感器并在硬件技术和应用算法上得到迅猛发展。文章以激光雷达扫描方式及相关技术为切入点对智能驾驶车载激光雷达硬件关键技术进行了介绍，分别讨论了机械式、混合式和全固态车载激光雷达的原理、特点及现状；以智能驾驶应用任务为导向，对点云分割、目标跟踪与识别、即时定位与地图重建这三类车载激光雷达应用算法进行了归纳总结。分析可见，车载激光雷达为降低成本、提升性能、满足智能驾驶需求将进一步走向固态化、智能化和网络化；应用算法研究的追求目标则是实时、高效和可靠。

针对冠脉病变检测算法普遍存在的异常截面识别率低、无法排除特殊结构影响等问题，提出了一种基于一类支持向量机(OCSVM)的冠脉病变检测方法，并使用冠脉面重采样和基于最大互信息的特征选择方法提高了算法识别正确率。该方法首先基于梯度通量对冠脉源截面进行三次样条插值重采样，然后构造出截面的多尺度特征，接着使用最大互信息结合冗余度去除进行特征选择，最后使用特征数据训练OCSVM完成冠脉病变检测。实验结果显示，在1128个冠脉截面数据的测试结果中，本算法在完全识别异常截面的情况下对健康截面的识别正确率达到了53.5%，远高于同类型的仅从正面和未标记数据学习的支持向量机(SVM)算法所对应的19.6%；而冠脉截面重采样也使得30个特征数下算法对健康截面的识别正确率由21.7%提高到了53.2%。