近年来,基于三维成像激光雷达的目标检测与跟踪已经成为了计算机视觉领域的重要课题。相比于传统的二维成像传感器,三维成像激光雷达具有能有效获取目标的三维几何信息、受外界光照变化和成像距离影响小等优点。因此,激光雷达已广泛应用于无人驾驶技术、军事领域以及服务机器人等领域。但是三维成像激光雷达仍存在一些问题:由于激光雷达的空间高分辨率和三维成像能力,使得同样的视场和距离范围内,三维点云数据量远远多于传统的成像传感器。测量维度的增加和分辨率的提高带来了探测性能提高的可能性,但真正地提高性能需要更智能、更稳健的信息处理算法。此外,目标通常被置于一定的背景环境中,与背景融为一体,在激光雷达探测过程中,由于视角、背景等原因目标被遮挡,在距离像中可能难以被检测和分割出来。但在真实场景中,目标与背景在不同的高度上是分离的,可以通过场景的高程来进行分割,理论上可以有效地进行分类。据此,本文主要依据地面车辆的三维点云数据的特点,对车辆目标检测与跟踪进行研究分析。本文的研究工作主要分为以下三个部分:1.基于快速检测和AdaBoost学习算法剔除虚警的车辆检测。首先,利用局部高程特征作为一种强特征对点云数据进行快速预分类,结合移动曲面拟合算法,分离出地面点和非地面点。利用目标几何尺寸和特定的高程选通对非地面点进行聚类,实现对感兴趣区域(Region of Interest,ROI)的检测。为提高算法的检测准确率,采用AdaBoost算法对ROI进行复核,准确判断目标位置,提高检测的准确率,降低虚警。2.基于卡尔曼滤波和Mean shift算法改进的三维点云目标跟踪算法。针对Mean shift跟踪算法在对目标存在遮挡时以及物体运动速度过快时存在的问题,提出了一种改进的目标跟踪机制。首先利用Mean shift优化目标的搜索方向,并结合卡尔曼滤波来更好地预测、修正目标搜索范围,在目标短暂消失的情况下仍能很好的跟踪。当目标跟踪丢失后,利用所提出的基于快速检测和虚警剔除的车辆检测方法,对整帧进行重检测,找回丢失目标,以实现对目标的长时间跟踪。3.最后,通过实验仿真数据和KITTI公共数据集对本文提出方法的可行性和有效性进行验证。