目标检测和路径规划是自动驾驶技术的核心组成部分,提升目标检测的精度和路径规划的实时性不仅能进一步提升无人驾驶汽车的行驶安全性,还能够提升无人车在复杂交通环境下的行驶效率,具有重大的理论和工程意义。本文主要对三维点云目标检测算法Point Pillars和渐进最优路径规划算法BIT*（Batch Informed Trees）进行研究,以分别提升其检测精度和规划速度。为了提升Point Pillars算法对汽车、行人和自行车的检测精度,本文提出了ECA-Point Pillars三维目标检测算法。该算法在Point Pillars的2D CNN主干网络上增加了4个改进后的ECA（Efficient Channel Attention）模块,改进后的ECA模块的卷积核大小由可变值变为固定值3。在KITTI官方评估协议下,与Point Pillars相比,本文所提出的ECA-Point Pillars算法拥有更好的目标检测精度。针对BIT*算法实时性差的问题,本文基于深度学习方法,提出了NBIT*（Neural Batch Informed Trees）算法。NBIT*算法的深度学习模型通过对大量BIT*算法的成功路径规划案例进行训练,训练后的模型可以在地图上快速预测出一条接近最优的路径。通过实验对比发现,本文提出的NBIT*算法能规划出接近最优的路径,并且能在一定程度上适应环境的变化;在处理大量路径规划任务时,和BIT*算法相比,NBIT*算法的规划速度大幅提升。本文搭建了无人车实验平台,对ECA-Point Pillars算法和Point Pillars算法进行了对比实验,并使用kittiviewer-plus对汽车、行人和自行车的检测结果进行了可视化验证。此外,本文还利用处理过后的二维栅格地图数据集对NBIT*算法和BIT*算法进行了对比实验。实验结果表明,本文所提出的ECA-Point Pillars算法对汽车、行人和自行车等障碍物的综合检测性能明显优于Point Pillars算法,并且本文所提出的NBIT*算法在处理大量路径规划任务时的规划速度明显快于BIT*算法。本文的研究成果可以为复杂道路环境下的无人车目标检测及路径规划技术提供技术参考及有效的解决方案。