激光雷达是一种具有较高的距离分辨率、角分辨率和测量精度的新型高精度成像传感器。基于激光雷达的目标检测与识别技术在军事和民用上都具有重要的研究意义和应用价值。本文使用Velodyne-HDL-64E激光雷达结合KY-INS300A惯性导航系统,对多帧点云图像进行了融合预处理,并使用融合后的点云数据,对地面上的行人车辆等目标进行了检测,结合基于样本集训练的机器学习方法,对行人车辆等多类目标进行了自动识别。本文的主要研究内容如下:在激光雷达的数据预处理方面,分析了Velodyne-HDL-64E激光雷达和KY-INS300A惯性导航系统的工作原理和性能指标;研究了激光雷达的数据解析过程和分辨率计算方法;针对于激光雷达的点云数据密度随测量距离增加而逐渐稀疏的问题,提出了一种结合惯性导航系统对多帧点云图像进行融合预处理的方法,提高了点云数据的分辨率,并对融合结果进行了分析。在激光雷达的目标检测方面,介绍了两种点云占据栅格地图的创建方法;研究了常用的地面点提取算法的算法性能,提出了一种基于极坐标平面区域划分的曲线拟合算法,使用该算法对地面点进行滤除;分析了DBSCAN聚类算法的基本原理,根据激光点云的数据特点,对DBSCAN算法进行了改进,并使用改进的DBSCAN算法对行人车辆等目标进行了检测。在激光雷达的目标识别方面,从多个角度对点云目标的数据特点进行了分析,提取了目标的多维度特征向量;研究了SVM应对多分类问题的解决方案,使用SVM结合Adaboost训练强分类器的机器学习方法,对地面多类目标进行了识别,并对识别结果进行了分析。