目前越来越多的研究机构参与到了无人驾驶汽车的研究中。对于无人车来说，一个能够对外界环境进行检测、为其控制系统提供必要信息的感知系统是其必不可少的组成部分。激光雷达由于其工作不依赖外界环境以及检测精度高等优良特点，被广泛运用于无人车感知系统中。目前，绝大部分的无人车研究中，均使用了数据密度较高的64线激光雷达以实现车辆定位和目标检测等功能。但64线激光雷达高昂的售价严重制约了无人车的商业化发展，一个基于价格较低的16线激光雷达的感知系统是非常有必要的。所以，本论文的主要研究内容为基于16线激光雷达的运用于无人车的目标识别算法。　　基于激光雷达的感知系统分为数据预处理、目标分割和目标分类三个主要组成部分。原始数据预处理主要包括原始数据转换和地面点识别，在将原始数据转换为有序点云后进行地面识别，区分出点云中的地面点。目标物体分割为使用适用于16线激光雷达的分割算法，将完整的点云分割为代表着场景中各个物体的点集。目标分类则是将分割出的目标物体点集使用分类器进行分类。　　针对栅格图像点云分割算法，本文通过引入未占用空间约束和物体形状信息减少该算法在运用于16线激光雷达数据时出现的分割错误。对完成地面识别的点云栅格化后，使用图像膨胀将属于同一物体的像素相互连接，同时对原始点云数据进行插补，以获得更加可靠的未占用空间约束。通过在膨胀后的栅格图像中加入未占用空间约束，减少由于图像膨胀导致的不合理像素。最后在通过修正后栅格图像和区域生长标记整个点云后，对于两种常见的分割错误进行了进一步修正。手工标记的分割数据集证明该分割方法确实能够减少分割错误。　　针对目前常用的三维点云检测特征，通过比较这些特征在16线激光雷达数据上的表现，选出最为合适的特征组合，以达到最高的分类准确率。在训练分类器之前，为了获得大量用于激光雷达数据分类的数据集，采用了对物体在不同帧之间的跟踪序列进行标记的方法，极大减少样本标记时间。对于常用特征通过训练单特征分类器确定其在16线激光雷达数据上的适用性，随后将性能较好的特征进行组合后训练最终分类器。对于场景中的物体，本文将其分为行人、汽车、卡车和背景四类，最终分类器为四个一对多分类器，而目标物体种类由概率输出最大的分类器决定。