3D目标检测技术被广泛应用于智能化交通场景,研究面向交通场景的3D目标检测技术具有重要的科学价值和应用价值。目前在交通场景中,3D目标检测的主要研究对象涵盖视觉数据和3D激光点云数据。根据不同的数据类型,3D目标检测技术可以分为基于纯视觉、基于激光点云（后文简称点云）和视觉与点云融合的方法。本文主要聚焦基于激光点云和基于融合的方法,针对点云数据无序性导致的特征难学习问题、点云和视觉图像难融合问题开展研究,并基于轨道交通场景设计开发了一套轨道障碍物检测系统。本文的具体研究内容包括:（1）提出了一种基于自注意力机制的点云特征增强算法。针对由3D点云数据无序性引起的局部点云特征学习不充分的问题,该算法通过自注意力机制,在局部点云的每两个点之间建立联系,充分利用了点之间的位置关系,增强了局部点云的特征学习能力,为下游任务提供了更强的信息,从而提升模型的检测精度。在公开数据集KITTI上的实验结果表明,在3D目标检测任务中,所提算法明显提升了原有检测模型的检测精度,平均检测精度提升约2%。（2）提出了一种通过点云变换实现的多传感器特征融合算法。视觉传感器可以弥补点云数据缺少的色彩、纹理等特征,提升了点云数据的可区分性。由于点云和图像的模态形式存在较大差异,直接融合数据十分困难。针对这一问题,本文首先通过变换点云的表现形式,使得点云和RGB图像跨越数据表现形式上的差异。然后基于注意力机制设计特征融合模块,充分融合点云和RGB图像特征,有效地增强点云的特征信息,从而提升检测精度。该方案可以应用到当前任何纯点云的3D目标检测框架中,在不改变点云结构的同时将RGB特征融合到点云中。该算法在公开数据集上进行实验,实验表明增强后的点云在3D目标检测任务中可以提升目标的检测精度,尤其是对于小目标比如行人等提升幅度会比较大,在KITTI数据集上行人类别的平均精度提升5%左右。（3）设计并实现了城市轨道障碍物检测系统。针对公共轨道交通场景中障碍物侵扰的问题,本文基于QT平台,设计并实现了一个操作方便、结果可视的障碍物检测系统。为了实现多传感器的信息互通,使用了ROS系统中的多机通信机制。为了应对在实际场景需要检测类别多样且难以区分的问题,采用了无监督学习的方法,具体使用了传统的聚类算法以提升系统的安全可靠性。进一步为了解决系统运行效率不高且误报率过高的问题,系统中在视觉图像中进行轨道线分割,使用图像分割结果对点云进行过滤,减少冗余计算,提高了检测效率。