无人驾驶场景下基于点云数据的三维目标检测算法一直是无人驾驶感知技术中的研究热点,随着深度神经网络技术的发展与逐渐成熟,使用神经网络进行三维目标检测的方法开始显示出巨大的优势。本文以车载64线激光雷达采集的点云数据作为研究基础,采用KITTI数据集作为评估样本,研究在如何快速并准确地基于点云数据检测出环境中障碍物的位置、大小与方向,为车辆的跟踪与路径规划提供可靠的信息。本文所提出的三维目标检测算法涉及点云体素化、神经网络、稀疏卷积以及可形变卷积等多项关键技术,主要本文的主要研究成果如下:(1)使用欧氏聚类方法实现了基于点云数据的目标检测,在KITTI数据集上实现了较好的检测效果。根据KITTI数据集的特点设计数据接口,对标注目标进行预处理,并针对基于神经网络的目标检测算法提出了合适的数据增强方法。(2)基于激光雷达原理提出在柱坐标系下划分空间并将点云转化为体素的方法,通过对比试验研究本方法对于体素的均匀性和算法的定位精度的影响。首次在在点云目标检测网络中引入可形变卷积,增强了网络对于不同方向与形状的车辆的适应性。提出新的RPN中anchor的生成方法,可以有效防止anchor与ground truth误匹配,同时,去除了损失函数中的角度分类损失。综合上述的改进策略,算法对于汽车的检测,相比SECOND,检测结果的AP与AOS均有提高。本文所提出的改进方法也适用于其他基于体素的三维目标检测算法。(3)为了解决KITTI数据集样本过少的问题,设计了一款基于目标检测算法的智能点云标注工具。可以使用算法生成初始标签,然后在初始标签的基础上进行人工标注,手工标注过程使用区域生长算法实现了智能框选,基于PCA算法实现自动生成最小包围框,显著地提高了点云标注的效率。