三维多目标检测是计算机视觉领域的重要研究方向,在无人驾驶、智能视觉、机器人视觉导航等领域中有着重要的应用价值。当前基于深度学习的单模态图像视图的三维目标检测,得益于图像丰富的语义信息,其研究取得了显著进展。但受限于平面信息,存在因遮挡造成目标信息缺失等问题,使用图像完成三维目标检测的算法精度较低。而激光雷达采集的点云数据具有高精度的三维信息,但点云存在稀疏、分布不均、无序的问题,在面对小目标、困难目标的检测时缺乏明显的优势。可见,图像/激光点云单视图的检测存在一定的局限性,图像与点云视图间却具有很强的优势互补性,多视图融合将会获得检测场景更加丰富、精确的目标特征信息,但仍缺少不同模态下多视图深度融合的、轻量化的高效推理网络。针对上述问题,本文提出了多视图融合的三维多目标检测方法,主要研究内容如下:提出多视图融合的无锚三维目标检测方法。借助激光点云特征和图像特征的关联融合,获取具有丰富局部几何信息的融合特征,实现高效的多视图特征融合。融合时将点云中心偏移点和图像特征检索点关联计算,通过点云和图像特征的优势互补提升对遮挡类目标的检测能力。通过尺度特征增强融合网络,加强特征融合的关联强度,学习不同尺度的特征信息,提升对小目标的检测能力。使用多头预测和多任务学习的方法对目标中心点、尺寸、方向、Z轴等进行预测,解码得到高效的检测结果。提出的检测方法在KITTI数据集上的AP达到74.28%,在鸟瞰图下的AP达到80.23%,整体检测性能优于先进的检测方法,尤其是检测速度达到0.055s,明显优于其他检测方法。提出多视图语义特征增强与融合的三维目标检测方法。通过图像全局语义增强学习网络,借助位置注意力和通道注意力两个方向的融合,提升图像特征的语义信息,降低目标错误分类。使用局部语义增强融合模块,为点云特征引入图像特征的先验增强,降低分辨率的损失和融合信息的丢失,提升网络对复杂场景的适应能力。设计Li DAR-图像的多尺度融合网络,进行多尺度的数据关联和不同分辨率特征间的再融合,提高网络模型对小目标以及困难目标的检测效果。检测时使用多任务损失的无锚检测器,实现高效的多目标检测。在KITTI基准数据集上的实验结果表明,与多数最先进的多视图方法相比,提出的检测方法实现了更好的检测性能。