智能汽车剥离了驾驶环境中最不稳定的人的因素,可有效地提升出行安全性与舒适性。障碍物检测作为智能汽车环境感知领域一项重要技术,对于提高智能汽车环境理解力,保障行驶安全具有重要意义。但常规检测时,不仅存在单一传感器感知维度不完整、感知算法的实时性与准确性不平衡等问题,而且车载平台计算资源的匮乏亦掣肘了感知算法的实车部署。故使用多传感器融合技术丰富感知维度,平衡感知算法实时性与准确性,并减少算法计算资源开销,是实现实车高效障碍物检测的关键。鉴于此,本文面向真实智能汽车平台,设计基于激光雷达与视觉融合的实时高效障碍物检测算法,旨在加速自动驾驶技术落地。具体研究内容如下:（1）针对激光雷达检测时点云密度不均匀的问题,提出适应点云分布密度的障碍物检测流程。对原聚类算法分割聚类区间并改变聚类阈值,改善算法对不同距离障碍物聚类效果。实验证明优化后算法对动态障碍物的检出率提升了6.6%且满足实时性。（2）针对基于深度学习的视觉算法计算开销大,难高效部署于车载计算平台的问题,提出高性能轻量级的Center Ne St算法。首先,替换原Res Net18主干网络为Res Ne St50,将Re LU激活函数升级为FRe LU,高效平衡算法实时性及检测精度;其次,提出PASN网络融合不同尺度语义特征,引入空间池化金字塔模块强化小目标信息表达,采用深度可分离卷积对网络轻量化处理;再次,使用扩充后的Kitti数据集对算法随机多尺度训练,实验结果表明改进后算法每秒可检测37.7帧图像,小目标检测精度较原算法提升了12.9%,平均检测精度提升了13.9%;最后,将Center Ne St高效部署于嵌入式设备NVIDIA Jetson TX2,每秒可检测31.1帧图像满足实时性要求。（3）针对单一传感器感知维度不完整的问题,提出一种融合激光雷达与视觉信息的两阶段融合策略,丰富感知维度并提升动态障碍物检测效果。首先,将多传感器检测结果时空统一;然后,以较低视觉置信度阈值对检测结果关联匹配,减少动态障碍物漏检率,利用激光雷达“检查”视觉的方式提升视觉检测结果置信度,以较高置信度阈值对融合结果输出,降低障碍物误检率,增加模型鲁棒性;最后,实验结果表明两阶段融合策略对动态障碍物的正检率提升了5.4%,适用于不同场景。（4）实车实验结果证明算法表现符合仿真预期,融合模型可实时、准确获取不同障碍物色彩、类别及三维信息,具有高效性及鲁棒性,满足实车应用需求。