目标检测是自动驾驶系统中环境感知模块的基础任务。3D目标检测可以给出感知范围内感兴趣物体在3D坐标系下的位置与姿态,相比2D目标检测提供更加丰富的信息,能更好地服务自动驾驶中场景感知与运动的需求,因此具有更高的研究价值和独特优势。针对当前基于激光雷达点云的3D目标检测算法中输入点云过于稀疏导致漏检错检的问题,本文提出了一套基于深度补全的致密点云3D目标检测算法。首先提出了一个基于伪深度图引导的深度补全算法Dense Li DAR,分别从网络输入、损失函数、深度残差和评价指标方面进行加强。随后将致密深度图经过后处理得到的致密点云作为3D目标检测算法的输入,形成了一套补全检测一体化的解决方案。在KITTI深度补全和3D目标检测数据集上的实验结果表明,本文提出的网络能够以较高的实时性实现深度与点云补全,同时补全后的致密点云有效提升了3D目标检测精度,具有较高的研究价值。针对当前基于激光雷达点云的3D目标检测算法网络结构复杂和实时性低等问题,本文提出了一套基于跨视图特征提取的点云3D目标检测算法CVFNet。首先提出了一套从点云的环视图、到点云视图再到鸟瞰图视图的跨视图特征提取骨架网络,可以从点云多个视图分别提取有用特征。然后介绍了一种新型的分层体素柱模块来帮助点云特征的转换,最后提出了稀疏回归头来平衡正负样本的比例。在KITTI3D目标检测数据集和在线排行榜上的实验结果表明,本文提出的网络在保持35.6Hz的高实时性的前提下,可以达到基于视图的3D目标检测算法中的最佳性能。针对当前基于单目图像的3D目标检测算法精度较低、缺乏几何约束的问题,本文提出了一套基于鸟瞰视角变换的单目3D目标检测网络Homo Net。首先介绍了一种基于投影变换的2D特征转3D特征的射线投影模块。同时为了加强场景的几何约束,在基于所有物体共地的假设下提出了一种新型的单应性约束损失函数,利用所有物体的相对位置关系进行全局优化,能有效提升三维框的检测精度。在KITTI3D目标检测数据集和在线排行榜上的实验结果表明,本文提出的网络达到了目前领域内的最佳精度水平,证实了算法的有效性。