针对从三维激光雷达点云中准确实时地分割地面的问题，提出一种基于扫描线段特征的地面分割算法。算法首先对三维点云进行去噪和位姿修正，接着依据相邻点间的欧氏距离和绝对高度差分割扫描线，然后对扫描线段的相邻线段间距、倾斜度、绝对高度差等特征进行分析，采用最大似然估计法求解特征阈值函数，提高了阈值的自适应性；最后综合考虑起伏、倾斜等复杂地形，通过制定横、纵向分类策略将扫描线标记为平坦地面线段、坡面线段和障碍物线段。本算法已成功应用在地面无人平台上，使用情况和对比试验表明，在城市和野外场景中，本算法都能够稳定高效地分割地面。

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%。

在激光雷达障碍物检测中，由于数据密度分布不均匀，传统 DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类，容易导致漏检和误检。为了解决这个问题，改进了传统 DBSCAN算法聚类邻域半径 ε参数的选值方法，不同于传统 DBSCAN算法在聚类过程中使用统一的聚类邻域半径，而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立 ε*列表，然后依据每个扫描点的坐标值在列表中查找出对应的列表值，最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明，优化之后的 DBSCAN算法无论是对近距离目标还是远距离目标，其聚类效果均得到明显改善。与传统算法相比，障碍物检测正检率提高了 17.52%。

为了解决装车机器人装车前货车车体位置和尺寸测量的问题，搭建了基于二维激光雷达的车体智能测量系统，并重点研究了该系统的标定方法。通过旋转平台带动二维激光雷达，利用单个二维激光雷达获得被测车体的三维信息。针对现有激光雷达测量系统标定方法复杂、标定件制作困难等问题，以 321坐标系建立法为基础，提出了一种基于三平面标定板的系统参数标定方法，建立了标定数学模型，并详细给出了该标定方法的原理及步骤。在实验室搭建测量系统进行了标定实验以及模拟车体测量实验，在户外对真实车体进行了测量实验。实验结果表明，本测量系统的最大车体尺寸长度测量误差为 26.4 mm，最大角度测量误差为 0.18°，完全满足装车精度要求。

在现有的激光雷达技术中，频率调制连续波体制的激光雷达相比于传统的飞行时间激光雷达具有分辨力高、测量准确度高、设备轻巧、功耗低等优势；得益于使用连续光信号进行测量，调频连续波激光雷达还具有高灵敏度、信息量丰富、处理解调容易等特有的性能。对高分辨力、高准确度的探测需求而言具有很强的竞争力，并具有非常好的集成化、小型化、低能耗的潜力。本文介绍了调频连续波激光雷达的基本工作原理和重要参数，根据实现频率调制连续波的激光光源方案，分类介绍了近十几年来调频连续波雷达的研究进展，并探讨了各种方案的特点。

针对差分吸收相干激光雷达在 CO2浓度反演时对信号的高信噪比需求，研究了一种基于 Golay脉冲编码的差分吸收相干激光雷达及其解码方法，以改善系统信噪比，降低浓度反演误差。分析了采用脉冲编码技术对传统大气后向散射信号相干探测信噪比的编码增益，研究了编码增益随本振光功率、编码长度和 3 dB耦合器分束比的变化规律，本振光功率越高、分束比偏离 50%越多，则编码增益越低，且在实际系统中，存在最优的编码长度。当本振光逐渐增强时，热噪声对系统的影响逐渐降低，相干探测系统存在最优的本振光功率，该功率与回波无关仅与系统的噪声水平有关。脉冲编码后最优本振光功率相对于单脉冲探测时下降，但其探测信噪比仍优于单脉冲探测，当 3 dB耦合器分束比为 0.495时，最优本振光功率为 0.93 mW。脉冲编码后，系统对 CO2的有效探测距离增加，且在 104～1010范围内进行脉冲积累时，相较于原系统距离增长率大于 15%。

为解决飞机尾涡威胁后机飞行安全问题，保障空中交通安全，提高机场和空域容量，提出了一种基于 AlexNet卷积神经网络模型的算法，实现飞机尾涡的准确识别。结合多普勒激光雷达探测原理和 Hallck-Burnham尾涡速度经典模型，构建了 AlexNet神经网络模型提取大气风场中的尾涡速度云图的图像特征，识别飞机尾涡。研究表明，该模型能够准确识别目标空域中的飞机尾涡，网络模型收敛后对尾涡识别的准确率高达 91.30%，并具有低虚警率，能有效地实现对飞机尾涡的识别和预警，达到尾涡监测的目的。

激光雷达出现硬件故障时，会使回波数据的质量变差。目前，对由硬件故障造成的错误回波还缺乏比较有效的识别方法。对中国科学院安徽光学精密机械研究所自主研发的大气颗粒物监测激光雷达有硬件故障出现时的回波数据进行分析，根据硬件故障对雷达的回波波形、强度等回波信号信息的影响，采用模糊逻辑算法对大气颗粒物雷达的硬件故障数据进行识别检验。同时，为了降低对无故障数据的误判，分析被误判数据的回波特征，比较硬件故障数据和被误判数据在 300 m～500 m高度上对应的消光系数和信噪比均值，通过设置信噪比阈值来降低误判率。实验结果表明：应用此方法对外场运行的大气颗粒物监测激光雷达硬件故障数据进行识别，识别率为 94.6%，而误判率仅为 1.5%，证明该算法对硬件故障数据的识别有很好的效果。

激光雷达是一种可以精确、快速获取目标三维空间信息的主动探测技术，在目标的识别、分类和高精度三维成像及测量方面有着独特的技术优势，应用范围和发展前景十分广阔。本文详细阐述了激光雷达探测以及三维成像系统的各种体制、探测原理等；总结和梳理了国内外单点扫描、线阵推扫以及面阵三维成像激光雷达系统的发展现状；同时对比分析了它们在星载、机载、车载等不同平台和应用领域的技术特点及优劣势等。近年来，三维成像激光雷达逐渐从单点扫描向小面阵扫描和线阵推扫式及面阵闪光成像发展，成像速度越来越快；同时单光子探测技术逐渐成熟，探测灵敏度越来越高。随着现代探测技术越来越趋向于多种传感器的融合探测发展，三维成像的发展也趋向于主、被动成像相结合，以获取更丰富的目标信息。

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。

本文设计了一种应用于脉冲飞行时间 (TOF)成像激光雷达探测系统的高带宽、低噪声全差分放大器 (FDMA)。该芯片采用多级级联结构和有源电感技术，增大电路带宽和减少芯片面积，并且通过使用失调隔离技术，增强了各增益级对工艺偏差的鲁棒性。在输出级电路中，为使全差分放大器具有更强的驱动能力，采用了宽带放大器和输出缓冲器级联结构做为输出。同时，为了满足激光雷达系统的实际需求，采用复用失调隔离电路的方式，实现了级间带通滤波来限制放大器的适用带宽。采用 CMSC的 CMOS工艺进行了 FDMA流片。测试结果表明，该芯片具有 730.6 MHz的-3 dB带宽，在使用带通滤波器优化后的开环增益为 23.5 dB，等效输入噪声密度为 2.7 nV/sqrt(Hz)，有效地降低了系统噪声。芯片采用 3.3 V电源供电，功耗为 102.3 mW，整体面积为 0.25 mm×0.25 mm。作为激光雷达全系统集成芯片中的一部分，较好地满足系统指标要求。

激光雷达可以高精度、高准确度地获取目标的距离、速度等信息或者实现目标成像，在测绘、导航等领域具有重要作用。本文首先介绍了从机械式向全固态过渡的微机械系统激光雷达解决方案；其次针对激光雷达全固态的发展需求，介绍了面阵闪光、相控阵激光雷达的基本原理和典型实现方法，从液晶、光波导材料等研究方向阐述相控阵激光雷达研究现状；最后总结了目前激光雷达存在的问题及不同的解决方案，并对未来发展趋势进行了展望。

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。