目标检测技术与目标追踪技术是计算机视觉领域十分重要的研究方向,在自动驾驶、自主导航、机器人以及虚拟现实领域有着广泛应用,随着三维点云获取设备的普及与发展,三维点云数据为目标检测与追踪技术带来了新的解决方案。在此背景下,本文对三维点云的目标检测与追踪技术进行研究,基于SECOND网络和3D-MobileNetv2网络,分别提出了一种改进的三维点云目标检测网络与多目标追踪框架。本文主要工作与成果如下所示:（1）基于SECOND网络,本文提出了一种精度更高、实时性更强的点云目标检测网络——SECOND++。本文优化了SECOND网络的三阶段特征生成网络,结合多尺度特征感受野和注意力机制设计了Res2SENet网络,能够减少空间位置信息的损失。此外,为进一步提升复杂点云目标的检测准确率,使分类置信度与目标检测框IoU趋于一致,本文改进了卷积模型和聚焦损失,更加精确地挖掘语义信息,提高了检测效果。在KITTI数据集上进行了性能测试,实验结果表明SECOND++性能优于SECOND、AVOD-FPN、F-PointNet、VoxelNet以及MV3D主流框架,运行时间为0.025秒,三维目标框平均检测精度为79.86%,鸟瞰图平均检测精度为85.18%。（2）本文提出了一种基于3D-MobileNetv2的多目标实时跟踪框架,该框架利用神经网络预测目标物体在三维空间里的状态,使用匈牙利算法逐帧进行数据关联,设计轨迹管理模块管理相应的轨迹,实现多目标跟踪。相较于传统的框架,本文框架不需要在图像空间执行卡尔曼滤波,不仅能在高帧速率下获得较好的性能,而且对遮挡的目标也有优异的表现。在KITTI数据集进行测试,综合性能优于卡尔曼、MDP、LP-SSVM、DSM以及Complexer-YOLO主流框架,主要指标如下:FPS为39,MOTA为79.22,MOTP为78.33,MT为54.19,ML为13.12,IDS仅为16。