随着人工智能技术的飞速发展,自动驾驶、移动机器人等应用场景应运而生。这些无人系统需要在立体环境中自由行动,导致了传统的二维目标跟踪算法无法满足要求。因此,基于点云序列的三维目标跟踪任务逐渐受到重视。然而,由于点云的稀疏性、无序性以及三维空间的复杂性,加之面向点云三维目标跟踪任务的数据集不多、呈现出的研究成果有限,当前仍然存在诸多挑战需要研究。针对基于点云序列的三维目标跟踪任务中存在的无法跟踪非刚性物体,无法进行端到端跟踪以及算法目标信息利用不充分的问题,本文开展了三个方面的研究:针对非刚性的三维人体目标跟踪问题。由于当下尚无点云人体目标跟踪数据集,本文首先改造用于行为识别的数据集,生成了专门用于三维目标跟踪的点云数据集。之后,本文进一步提出一种基于逐点相似度度量的三维人体目标跟踪算法。算法首先采用连体网络的结构和逐点相似度度量预测搜索区域点云的目标性得分,之后采用“由粗到精”的回归方式,实现非刚性人体目标的三维跟踪。实验结果显示本文提出的方法可以有效的应对人体形态的改变,实现稳定跟踪。针对当前基于点云的三维目标跟踪技术中尚无端到端的网络结构,进而很大程度上限制了算法对目标三维形态改变的适应性,影响了目标跟踪性能的问题。本文提出了一种端到端的网络结构模型,算法以点作为基本的目标单元,首先将模板点云中含有的目标信息隐含到搜索点云中,之后逐点的预测潜在的目标中心点,最后利用集成学习的方式聚集潜在目标中心点共同进行三维目标框的回归与验证。实验结果表明,本文提出的方法在性能上较之以往算法提升了十个百分点。针对基于点云的目标跟踪数据集较小,无法像二维目标跟踪算法那样在大数据集中拟合目标形态变化的问题。本文对目标信息进行了充分利用,设计了强化模板信息利用和强化目标回归约束两部分。其中,强化模板信息利用通过对输入点云生成一种新的点云表示形式,将背景点信息引入到模板点云中来。而强化目标回归约束则在输出部分增强人体目标框回归约束,通过回归整体三维目标框并使用推广的重叠度算法来计算损失的方式,使得算法能在整体结构上处理目标,实验结果验证了所提方法的有效性,性能在基准算法上提升了九个百分点。