近年来,伴随着3D传感器的应用越来越多,三维点云分割任务已经成为大量自动导航系统的许多应用中的重要研究课题。然而,由于稀疏性、不均匀的采样密度、不规则的格式以及缺乏颜色纹理,稀疏点云分割已成为一个非常有挑战性的课题。受到优秀的卷积神经网络和大规模数据集推动,2D图像理解任务已经取得了很大进展,如目标检测。因此本文利用卷积神经网络在2D图像目标检测上的优势,来辅助激光雷达完成稀疏点云的分割任务。本文主要围绕以下研究内容展开:1、介绍了单目相机成像的模型以及16线激光雷达测距模型的原理,建立了单目相机与多线激光雷达联合标定模型,并在此基础上采用一种基于平面特征的方法对单目相机和16线激光雷达进行联合标定。实验分析了单目相机标定、单目相机与16线激光雷达联合标定的结果,并可视化了单目相机与多线激光雷达融合后的效果图,验证了基于平面特征的联合标定方法的可行性。2、介绍了目标检测的原理,分析了标准卷积方式和深度可分离卷积方式之间的不同点,提出了一种基于深度可分离卷积的目标检测网络。针对目标检测网络,分析了特征提取网络和多尺度预测网络的构成及原理,阐述了损失函数的定义,并介绍了整个目标检测网络的训练过程。实验结果表明,对比优秀的YOLOv3和Tiny_YOLO目标检测网络,本文提出的目标检测网络的在准确率和速度上都具有优势,验证了本文的目标检测网络的可行性及优点,并可视化了其行人检测的效果图。3、提出了一种基于2D图像驱动的稀疏点云分割方法。阐述了基于本文提出的目标检测系统生成2D图像目标候选区域的过程,介绍了在原始激光点云提取包含目标3D锥体点云的原理及实现过程,分析了在3D锥体点云中利用目标类别特征信息设计阈值条件筛选最终的目标点云的过程。实验结果表明,对比欧式聚类和区域生长等优秀的点云分割算法,本文提出的点云分割方法具有更好的准确率和更快的速度。