在道路交通场景中,行人作为道路使用者,其安全性不仅影响交通秩序,而且还影响道路风险状态,为了提高行人的安全性,减少交通事故的发生,需要对行人是否过街进行判别。传统的行人意图判别方法主要依靠单一传感器进行检测,通过检测行人的肢体动作或轨迹路线进行判断预测,但由于行人运动属于非刚体运动,该运动具有灵活性,且这些方法忽略了道路场景的影响。本文基于车载移动设备,将激光雷达和摄像头的检测结果进行决策级融合,分析影响行人过街的影响因素,对行人过街的意图进行判断,主要分为以下三个部分进行研究,分别是传感器的融合方法、行人的检测与跟踪以及行人意图识别。（1）本文利用两种传感器对目标的时间和空间上的信息进行标定以及筛选原始数据,分析交通场景下可利用的数据以及不同类别的融合方法,对融合方法进行合理性的选择。在决策级融合层面,利用D-S证据理论这一基础理论,依据样本之间的距离实现加权决策融合和检测到重叠部分的面积比例判断目标的类别和一致性。由于传感器的不同,获取信息的种类不同,相比单一传感器,其信息源更加准确、更加完全,融合算法决定目标检测后的最终结果。（2）激光雷达的检测首先对修正的原始数据进一步处理,分析激光雷达数据的特性,计算激光雷达能够检测到目标的有效范围,并依据此范围指标对其进行阈值分割,减少数据的复杂性。从算法处理时间和准确率对比分析DBSCAN、改进的DBSCAN两种聚类算法和基于深度学习的Complex YOLO算法,提高激光雷达的检测目标的效率。视频图像这一部分的检测主要分析YOLOv3和YOLOv4两者的网络结构,选取四种评价指标进行对比分析。利用Sort算法实现目标的跟踪,利用改进算法Deep Sort解决目标因遮挡而造成编号混乱的问题。（3）根据检测融合后的结果,通过分析环境因素和行人因素这两方面对行人过街的影响,利用贝叶斯模型对行人过街意图进行判别。统计行人是否存在交互行为、行人是否观测到车辆、过街行为是否安全、行人是否站在路侧等待、交通设施是否允许行人通过这五个因素分析对行人过街的影响,给出各因素对过街意图的影响程度。本文提出的基于雷达视频融合的行人意图识别方法有助于智能驾驶场景下车辆对行人过街意图的研究,为后续更深层次的研究提供依据。