近年来,受益于深度学习技术的稳步发展以及激光雷达等传感器的应用,无人驾驶技术步入快速发展时代。无人驾驶常用的传感器中,激光雷达作为一种主动式传感器,具有受环境因素影响小和准确的深度信息的优点。在目标检测领域,与传统检测方法相比,深度学习技术具有高精度和自动学习特征的优势。因此,两者在无人驾驶系统的环境感知中得到广泛的应用。所以本文主要研究基于多线激光雷达点云数据的深度学习感知算法。当前的感知算法中多传感器融合算法存在时间复杂度高、多传感器标定难以长时间维持稳定等问题。此外,考虑到在特定场景下(如环境光干扰大)对传感器的要求,基于纯点云数据的感知算法十分必要。目前针对纯点云数据使用的算法多是单步法,它的检测速度虽然较快,但是却有精度低的缺点。针对上述问题,本文以多线激光雷达点云数据中的车辆和行人作为主要研究对象,在兼顾实时性的基础上,设计了一种两阶段的目标检测网络以达到高精度检测的目的。本文使用标注工具完成点云数据集的建立,方便训练检测模型和评估感知算法。在深度学习感知算法的设计方面,考虑到速度的要求,本文在数据处理方面采用将三维空间内的点云数据投影到俯视图上,经过栅格化后提取统计特征,将无序的点云数据转换成规则的二维特征图,采用二维卷积进行处理以保证检测算法的速度;考虑到精度的要求,本文设计了偏向于精度的两阶段的检测网络,包括了特征提取网络、PC-RPN网络和PC-RCNN网络。在特征提取网络的设计方面,为了加强对小目标的检测,本文设计了编码-解码的结构,在重视浅层特征提取的基础上使用“压缩-激励”结构对浅层特征进行加强。为了进一步加快检测网络的速度,本文设计了一种轻量化的网络结构。除此之外,本文设计了高效的PC-RPN和PC-RCNN网络分别用于生成三维候选框和对候选区域进行进一步的分类和边界框的精确回归。最终,在检测速度方面,本文设计的两种检测模型速度分别达到了90 ms和76 ms,满足了感知系统对于实时性的要求,同时轻量化模型设计也达到了加快网络检测速度的目的;在精度方面,本文设计的两阶段检测网络在鸟瞰图评估基准上对车辆的检测精度达到了88.67%。