目标检测是计算机视觉中的重要分支,旨在通过机器感知周围的环境,包括对于目标的分类和定位,这需要机器可以识别背景和前景,具有一定的空间意识,但是对于遮挡的物体或者模糊的物体,传统的二维图像存在信息丢失等问题。因此,人们利用3D激光雷达传感器等工具,建立一套3D目标检测系统,包括对于室内和室外的检测。本文以当前热门的自动驾驶领域为切入点,基于3D目标检测,其中占主导地位的是基于点云的方法,可以在表示学习的基础上进一步分为基于多视图、基于体素、基于点和基于点体素的方法。本文主要以基于体素的方法为研究对象。在自动驾驶中3D目标检测存在一个容易被忽视但是又十分重要的问题,那就是点云的稀疏性,这将导致大量的目标信息和空间信息丢失。区别于普通2D图像包含了语义信息,3D点云在这方面恰恰相反但其具有大量的几何信息,因为车身或者行人周围会具有更多的3D点云。但是由于点云的特性,这些聚集是不均匀稀疏分布。因此,本文研究目的是将稀疏点云转化为稠密点云、补全点云的语义信息,以一种数据增强的方式,提升对3D目标检测中小目标和中远距离目标的检测性能。在方法上,主要是沿袭深度学习的3D超分辨率方法思路,重构稠密化的点云。对比传统点云稠密化方法,本文提出的基于深度学习的Li DAR超分辨率算法,在16通道自采点云、Point Cloud++16通道和KITTI数据集上取得了显著效果,优于传统方法,对此在第三章进行了大量的可视化对比。在此基础上,本文进一步讨论了高质量的稠密化表征是否有助于3D目标检测方法,对此选用一种基于体素表征的3D目标检测模型作为主干网络,分别从多方面测试了其泛化性和普适性,包括有监督和半监督的任务,在KITTI数据集和ONCE公开数据集上达到了显著的提升,显著优于现有的基线方法,通过大量可视化对比,得出本文提出的基于深度学习的Li DAR超分辨率算法,可以作为一种即插即用的模块,通过数据增强的方法,提升对3D目标检测中小目标和中远距离目标的检测性能。