目标检测是自动驾驶和机器人视觉领域的核心技术之一。在自动驾驶领域,车辆通常使用激光雷达(LiDAR)和多个摄像头实现目标感知。由于激光雷达传感器相比摄像头能够输出精确的环境点云数据,因此在车辆传感器系统里具有不可替代的作用。然而,由于激光雷达输出的点云数据的稀疏特性,无法将传统深度学习目标检测方法直接用于点云目标检测。本文针对这一现状,使用以体素和稀疏卷积为主的深度卷积神经网络,依据点云数据进行3D目标检测,对相关理论算法展开研究,获得了较好的实验效果。本文主要研究内容如下:(1)介绍了基于深度学习的目标检测算法,包括单阶段和两阶段目标检测器,重点分析了两阶段目标检测器的方法,同时研究了一个典型的基于体素的点云目标检测算法。(2)介绍了卷积算法和稀疏卷积算法,针对当前稀疏卷积算法匹配位置矩阵生成速度过慢的问题,提出了并行匹配位置矩阵生成算法,使其可以更快地在并行计算设备上执行。(3)针对当前基于体素的点云3D目标检测算法做出多项改进,首先提出了稀疏中间特征提取器,大幅提高网络的执行速度;其次提出了新的角度损失函数来处理当前角度回归的对抗样本问题;最后,提出了一种数据增强方法,利用点云数据方便修改的特性,提取真值样本的点云数据并构建数据集,在训练时从数据集里随机选择这些虚拟的真值点云并插入到训练数据中。(4)提出了基于纯稀疏卷积的点云目标检测算法:首先将稀疏卷积直接应用到点云数据上,然后改进了区域建议网络存在的感受野的问题,最后将超级收敛应用到网络训练中。实验结果表明,1.改进的稀疏卷积算法能够加快整个网络的执行速度。2.新的角度损失函数能够提高角度回归性能。3.新的数据增强方法能够极大的加快收敛速度以及提高最终性能。4.使用稀疏卷积网络作为点云特征提取器,进一步提高了网络的性能。5.使用超级收敛能在保持精度的同时大幅加快网络收敛速度。本文所得到的结果在KITTI公开数据集上在提交时取得了当时最好的3D检测结果。