随着数字化城市的快速发展和推进,智能感知系统在自动驾驶、自然环境监测、安防等领域的应用需求日益增长。由于单模态传感器在场景目标信息捕捉上存在不同程度的局限性,需要利用多源异构感知系统的传感器数据互补特性来降低单模态感知系统的不确定性,从而实现对周边环境的全覆盖检测功能。因此,本文通过结合激光雷达点云和可见光图像数据特性,基于深度学习算法开展了数据融合方法研究,实现了一种高可靠、鲁棒的三维目标检测方法。主要研究内容如下:（1）针对激光雷达点云在空间离散分布和稀疏的问题,通过结合体素划分和图表示方法设计了图卷积特征提取模块,提出一种基于体素化图卷积网络的三维点云目标检测方法。通过消除传统3D卷积神经网络的计算冗余性,不仅提升了网络的目标检测能力,并且提高了点云拓扑信息的分析能力。（2）针对单模态目标检测网络算法在不同的气候、视角、光强等环境约束下存在检测精度和回召率下降的问题,结合位置编码与通道域注意力机制,设计了一种基于激光雷达点云和可见光图像数据决策融合的三维目标检测方法。充分利用激光雷达点云和可见光图像的互补特性,提升了感知系统捕捉目标场景的空间拓扑信息以及纹理信息的能力。（3）为验证本文所提出的目标检测方法性能,在KITTI公开数据集对车辆、行人、骑行者目标的3D目标检测和鸟瞰图目标检测任务进行了目标检测评估。实验表明,本文所提出的单模态激光雷达点云目标检测方法有效提升了基准网络Voxel Net的目标检测性能,尤其在车辆3D目标检测任务上平均精度最高提升了13.75%。通过多源数据决策融合网络结合图像目标检测信息,在激光雷达点云目标检测方法的基础上检测精度平均提升了3.34%,实现了对单模态目标检测方法的感知能力以及检测精度提升。同时设计了一款目标检测结果可视化界面,对所提出目标检测网络进行了视觉评估。