随着自动驾驶技术的日渐成熟,搭载不同等级自动驾驶技术的智能汽车也正逐步进入大众的视野。相比其他智能终端设备,智能汽车的行驶安全性尤为重要,因为它与我们的人身安全息息相关。环境感知系统是智能汽车的眼睛和耳朵,它能够全方位感知汽车周围的环境信息,进而辅助实现后续的决策规划和跟踪控制系统;三维目标检测则是环境感知系统中的最为重要的任务之一,它能够实时捕获三维空间中的其他交通参与者的信息,进而辅助实现其他感知任务。然而在雨、雪、雾等各种恶劣天气条件下,三维目标检测模型的性能出现明显下降,对后续的其他任务产生了较为严重的影响,对智能汽车的行驶安全性造成了一定的威胁。本文从模型和数据两个角度出发,研究如何在恶劣天气条件下提高自动驾驶场景中的三维目标检测模型性能。从模型角度出发,本文利用多模态数据融合带来的环境信息冗余来补偿单一模态点云数据的失真信息,基于现阶段优秀的点云检测模型和高兼容性的融合检测框架构建了三维目标检测后端优化模型;从数据角度出发,本文覆盖了面向恶劣天气条件的两种主流数据处理策略,将三维目标检测模型与模型训练阶段的数据增强方法、模型测试阶段的数据预处理方法相结合以实现进一步的模型性能增益。本文的主要研究内容包括:（1）三维目标检测模型的结构优化设计本文参考了现阶段基于点云和基于多模态融合的三维目标检测的代表性模型,结合现阶段优秀的点云三维检测模型和高兼容性的后期融合检测框架构建了三维目标检测后端优化模型。更进一步,本文使用现有开源数据集训练了后端优化模型和基准模型,并且基于定性和定量实验测试了后端优化模型相对基准模型的性能增益。（2）模型训练阶段的恶劣天气数据增强方法本文介绍了在模型训练阶段面向恶劣天气的数据增强方法,基于多模态传感器数据渲染了不同类型的恶劣天气效果,结合本文提出的跨天气、跨模态的非对称失真数据增强策略构建了一个综合恶劣天气数据集。基于本文构建的数据集训练标准的三维目标检测模型,以提高模型对真实恶劣天气的鲁棒性。（3）模型测试阶段的恶劣天气数据预处理方法本文介绍了在模型测试阶段面向恶劣天气的数据预处理方法,同时面向多种传感器数据模态和不同恶劣天气类型,改进了基于语义分割的点云去噪算法,采用了基于学习的图像修复算法。在传感器数据流进入三维检测模型之前对失真的传感器数据进行预处理,以提高实际恶劣天气条件下的三维检测模型性能。（4）面向恶劣天气的三维目标检测模型实现本文基于现阶段的高性能的点云三维检测基准模型,结合模型网络结构的后端优化方法、模型训练阶段的数据增强方法、模型测试阶段的数据预处理方法,以消融实验的方式构建了多个面向恶劣天气的三维检测模型。更进一步,本文基于现有的软硬件条件训练了本文构建的所有模型,并在真实恶劣天气条件下基于定量和定性实验进行模型性能的对比测试,验证了不同优化方法的有效性以及优化后模型的实际三维检测性能。