三维目标检测是计算机视觉的关键技术问题,是自动驾驶环境感知系统的重要任务之一,其目的在于通过摄像头、激光雷达等多传感器从周围环境收集数据并提取相关知识,以实现三维场景下的目标识别与位姿估计。相较于二维目标检测仅通过图像信息实现二维空间中的目标识别与定位,三维目标检测在多模态特征提取与融合、模型训练与标注数据处理等方面存在更大的挑战。一方面,基于单图像或纯激光点云的检测算法已难以满足复杂场景的鲁棒性需求。图像数据容易获取且纹理信息丰富,但缺少目标的三维数据信息;激光点云能够快速地获取目标的三维数据信息,但缺少纹理以及颜色等信息。另一方面,基于点云与图像多模态融合的三维目标检测在网络设计和数据标注上具有更高的复杂度。针对上述的问题,本文围绕点云与图像的多模态特征提取与融合、边缘场景有限样本下的模型设计与数据处理,完成了以下工作:（1）基于多模态特征融合的多任务三维目标检测算法。为了实现多模态数据的优势互补,本文以EPNet网络结构为基础,设计多任务三维目标检测算法。首先,在点云预处理过程中增加基于真值框的点云数据增强,在保证点云与图像一致性的前提下丰富同一个目标的点云表征;其次,在点云与图像特征融合过程中,对于每一个三维点,通过多点融合策略融合其点云特征与对应的图像特征,减少噪声点污染,增加图像全局信息;再次,实现多分类的三维目标检测,从而可以同时检测不同类别的目标;最后,本文设计了基于无锚框的二维目标检测头,构建多任务三维目标检测网络,从而更有效引导图像特征提取。实验结果显示,本文方法在KITTI验证集汽车、行人、骑车的人三个类别上取得71.89%的平均精度。（2）边缘场景有限样本下的三维目标检测。针对应用中常见的计算资源、存储空间不足以及有标签数据有限的场景,本文对所提出的多模态融合的多任务三维目标检测算法在网络设计与标注数据处理上进行改进。首先,为了减少模型参数量,加速前向推理时间,本文对多模态融合网络进行轻量化;然后,为了充分利用数据集中的无标签数据,本文提出了基于动态阈值的噪声标签学习方法,提升网络性能。最后,本文设计并实现了面向三维噪声标签的标注系统,能够实现点云与图像的快速数据标注,简化数据处理流程。