三维单目标跟踪是自动驾驶和机器人视觉等相关领域应用的基础,相比较二维图像,可更好地了解周边环境状况,可以解决二维场景下单一视觉方向下导致物体的遮挡、光照变化导致色彩信息的丢失以及物体远近导致比例的变化等问题。而三维点云与其它三维数据的表达形式相比,可以提供丰富的几何、形状和比例信息,所以具有很高的研究价值。但是,由于三维点云的无序性、稀疏性和不规则性等因素,采用三维点云进行目标跟踪的研究仍然处于起步阶段,其中,提高单目标跟踪算法的精度是研究重点。本文主要研究内容是三维点云的单目标跟踪算法,重点研究了基于深度霍夫优化投票的单目标跟踪算法和基于客户端的目标跟踪原型系统,主要的内容如下:（1）基于深度霍夫优化投票的三维单目标跟踪算法,针对三维点云单目标跟踪问题,提出了一种基于深度霍夫优化投票的深度学习算法。首先,该算法采用面向目标的特征提取方法编码目标信息。其次,通过投票和筛选生成高置信度的潜在目标中心。最后,执行联合提议和验证生成预测结果。该算法能够有效避免耗时的三维全局搜索,且对点云的无序性、不规则性和稀疏性保持鲁棒。为了验证该网络的有效性,在公共数据集KITTI上进行测试。实验结果表明,该网络相较于传统的仅基于三维点云的目标跟踪方法SC3D,在精准率上平均提高了11.1%,在正确率上平均提高了12.5%,并且具有更低的复杂度,能够在单个NVIDIA 2080S图形处理器上能够以每秒43.5帧处理点云。（2）基于客户端的目标跟踪原型系统的设计与实现,从需求分析、系统设计、系统实现以及系统测试等流程,设计、开发并测试了该系统。该系统实现了用户管理、点云可视化、点云预处理、模型管理以及目标跟踪等功能。用户通过可视化的界面就可以轻松实现对点云数据的相关操作、配置模型相关参数以及测试模型输出结果等功能。该系统避免了复杂繁琐的操作,实现了算法模型在客户端的预处理、训练、管理和预测。为了验证该系统的可靠性和性能,对系统进行了功能性测试和性能测试。测试结果表明,该系统可以在维持较好性能的情况下,保持正常运行。