在激光雷达障碍物检测中，由于数据密度分布不均匀，传统 DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类，容易导致漏检和误检。为了解决这个问题，改进了传统 DBSCAN算法聚类邻域半径 ε参数的选值方法，不同于传统 DBSCAN算法在聚类过程中使用统一的聚类邻域半径，而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立 ε*列表，然后依据每个扫描点的坐标值在列表中查找出对应的列表值，最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明，优化之后的 DBSCAN算法无论是对近距离目标还是远距离目标，其聚类效果均得到明显改善。与传统算法相比，障碍物检测正检率提高了 17.52%。