随着现代社会的发展,人们对于驾驶出行自动化的需求日益旺盛,为保证出行的安全性,目标检测技术越来越多地应用到车载系统中,由于车载系统无法像实验环境提供充足的算力资源和内存空间,为此,本文提出了一种基于多级特征跳跃连接的轻量级目标检测网络,在保证了网络检测效果的同时,使得参数量大幅降低。基准模型的逐点特征提取法仅仅将中心点周围相邻点的局部特征作为输入,然而忽略了中心点本身的特征描述信息,这导致特征编码器难以对中心点与相邻点之间的局部特征关系进行学习,本文设计了一种基于中心点特征联合的对称网络,通过特征联合的方式使用中心点特征联合特征编码器对中心点与相邻点之间的局部关系进行学习,以达到提高目标检测网络性能的目的。本文在点云数据上,对三维目标检测技术进行研究,具体地研究工作如下:（1）提出了一种基于多级特征跳跃连接的轻量级网络。针对基准模型存在的数据重复计算问题,本文设计了一种单尺度特征提取算法,使得该模型的参数量大大降低,相比于基准模型,本文所提出模型的参数量减少了 39.4%,训练时间减少了22%,同时,相比于基准模型,本文提出的轻量级网络在IoU阈值0.3和0.5的情况下,三维提案框的召回率分别提高了 0.86、0.34个百分点。此外,在三种不同困难度的目标检测任务中平均准确率分别提高了 1.56,0.85,4.53个百分点。最后针对最远点采样算法存在关键点缺失的问题,设计了一种面向关键点的双注意力机制,使得模型在简单难度的平均准确率提高了 1.76个百分点。（2）构建了一种基于中心点特征联合的对称网络。针对基础模型存在中心点特征信息缺失的问题,本文实现一种点云中心点与相邻点间的特征联合,使得对称网络学习临近点间的局部特征关系,从而获得中心点与相邻点之间关联性更强的特征表达,提高对称网络的检测性能。同时,针对不同层在特征融合时存在不同尺度的问题,利用对称插值算法得到尺寸一致的特征向量,实现了不同层之间的特征融合。实验表明,在三个不同IoU阈值下的召回率均有1个百分点左右的提升,相比于基准模型,三种不同困难度的目标检测任务下平均准确率分别提高了 2.42,1.52,5.02个百分点。同时,模型参数量进一步减少了 41.3%。（3）基于上述研究工作,设计和实现了一个三维点云目标检测系统。通过对点云数据和目标检测结果可视化的展示,使得用户能够更直观的观察到原始的点云场景和模型的检测结果。