三维目标跟踪是自动驾驶领域中的一项长期研究任务。在自动驾驶场景下,由于激光雷达传感器能产生更加精确的点云数据,使其成为最常用的传感器之一。与图像数据不同,点云数据的无序性、稀疏性和非结构化等特点,给三维目标跟踪算法结构的设计带来更大的挑战。本文面向自动驾驶场景下的三维目标跟踪进行了探索研究,具体包括单目标跟踪和多目标跟踪两类。本文的主要工作及创新性研究成果如下:1.基于视锥的双孪生网络三维单目标跟踪算法。针对点云数据稀疏、分布范围广等特点,提出的基于视锥的双孪生网络三维单目标跟踪算法,可以将图像和点云数据的优势相结合,弥补点云数据的缺陷。提出的基于视锥的区域生成模块可以利用图像跟踪结果得到更加精确的三维搜索空间。此外,基于三维跟踪连续性的属性设计了一种快速准确性验证策略,对二维跟踪结果进行准确性验证,在一定程度上解决了串联结构中前级结果对后级结果影响的缺陷。在KITTI跟踪数据集中的实验表明,与同时期最先进的跟踪方法相比有一定优势。2.基于体素的目标已知的三维孪生跟踪器。针对现有的基于点云的单目标跟踪方法,难以有效地产生候选框,且无法结合成熟的视觉跟踪经验等问题,提出基于体素的目标已知的三维孪生跟踪器。利用体素数据结构化的特点,可以方便地借鉴成熟的视觉跟踪经验,使用区域提议网络快速生成候选框。然后,借助提出的多尺度感兴趣区域池化操作来提取多尺度的语义特征,进一步优化跟踪结果。此外,本文提出的注意力模块,将模板分支特征与搜索分支特征相融合,有效地提高了特征的判别能力。在KITTI数据集中的实验表明,与同时期最优跟踪方法相比有一定优势。3.基于孪生网络的三维多目标跟踪算法。为了解决三维多目标跟踪中运动预测模块无法利用数据的语义特征和对检测结果过于依赖等问题,将基于孪生网络的三维单目标跟踪算法扩展至多目标跟踪框架中,提出基于孪生网络的三维多目标跟踪算法。基孪生跟踪器,设计了两种运动预测模块,探索运动预测模型对多目标跟踪算法性能的影响,并设计了一种结合角度信息和空间信息的相似度测量策略。在nu Scenes和KITTI公开测试集中的结果表明,在主要指标上超越了最先进的基于点云数据的三维多目标跟踪方法。