随着计算机技术和汽车智能化技术的快速发展,智能驾驶时代已经到来。如何有效地识别、感知和理解周围的环境,是实现智能驾驶的关键技术。三维目标检测作为感知车辆本身周围环境的重要手段,已经成为解决这一问题的方案。由于点云数据可以提供车辆周围环境中大范围的深度信息,因此基于点云数据的三维目标检测是当前研究的热点。目前利用点云数据的三维目标检测主要为基于2D框架的点云投影方案和利用Point Net直接处理点云等方法。二维投影的方法由于将点云投影成前视图与鸟瞰图等,因此丢失了环境中的深度信息。Point Net直接处理点云的方法因无法提取到环境中点云的结构化特征,所以很难检测到距离较远以及遮挡的目标。而最新的图神经网络（Graph Neural Network,GNN）被认为更适用于处理和展示点云这种无序性的数据。基于此,本文设计了一种基于图注意力网络的三维目标检测方法,主要工作内容如下:第一,本文提出一种去除一定背景点的最远点采样点云图生成方法。该方法首先用体素采样（Voxel Sampling）减少一定的背景点,其次通过最远点采样（Farthest Point Sampling,FPS）得到的关键点构建点云图。实验结果表明,与仅用体素采样相比,本文提出的方法不仅能够采样到更多的前景点,而且使点云分布更均匀,在检测精度上也有一定的提升。第二,本文设计了一种残差网络（Residual Network,Res Net）与多层感知器（Multi-Layer Perceptron,MLP）相结合的初始化顶点特征提取模块（Initialized vertex feature extraction module,IFEM）。IFEM模块通过MLP跳层连接的方式搭建初始化顶点特征提取模型,提取采样得到关键顶点的高维特征。实验结果表明,相较于仅使用MLP提取特征,本文提出的IFEM模块在检测精度上表现出明显的优势。第三,本文提出了一种基于图注意力网络的三维目标检测方法。为了动态适应检测对象的几何结构,本文通过引入注意力机制（Attention Mechanism,AM）来自动学习邻居顶点的权重,为每个邻居顶点分配不同的权重。该方法可有效地检测到由于距离导致的多尺度目标,提升了检测精度。与现有的其它三维目标检测算法相比,本文提出的算法在检测精度上取得了更好的结果。第四,本文在KITTI数据集对所提出的方法进行训练和评估,利用实际场景中采集到的数据进行验证,实验结果进一步证明本文提出方法的有效性。