三维目标检测(3D Object Detection)在自动驾驶领域中发挥着至关重要的作用,智能车辆中精确的建图与定位、安全的避障与规划等任务,都离不开精确的检测结果。在大尺度场景环境中的三维目标检测技术需要完成对感兴趣目标的分类与定位任务。另外一方面,各大国内外机场的货运运输吞吐量非常庞大,特别是蝉联机场货运霸主地位的香港机场,在其中实现自动驾驶拖运车协助高强度的货物拖运,在安全性与经济发展上都有很大的意义。本文以在香港机场货运场景实现自动驾驶的项目为背景,针对在该特殊场景中依靠单一传感器难以实现鲁棒且高精度的三维目标检测效果、激光雷达传感器点云数据非常稀疏以及需要检测多种在公开数据集中缺失训练集的物体等问题,实现基于相机与激光雷达信息融合的三维检测系统研究,其中包括三维目标检测的硬件平台、软件框架以及算法流程的设计,研究如下:为了方便感知数据的采集与检测算法的落地测试,搭建了一套传感器系统数据平台。完成了六路相机与一个激光雷达的选型、布局与ROS框架下的传感器驱动。完成了对相机与激光雷达的内外参标定,针对16线激光雷达点云的稀疏问题,基于EPn P算法设计了一种简便且高精度的相机与激光雷达联合标定方法。提出了一套基于相机与激光雷达信息融合的三维目标检测算法框架。该算法框架利用了二维目标检测结果驱动三维锥体区域的思想:先使用速度与精度兼并的YOLOv3算法对图像作二维检测。其中收集了公开数据集中不存在的机场拖车、定制货箱等图像集并制作标注,完成了网络的训练;然后根据本文设计的一种融合数据储存结构,从2D检测框中生成包含目标3D点云的四棱锥体区域;最后在该锥体区域中以非深度学习的三维点云处理方法实现对目标3D点云的定位,避免了制作昂贵的三维点云检测训练集。本文设计的点云处理流程包括激光雷达点云地面分割、三维点云聚类以及使用一个新颖的打分机制分割目标点云等。从而完成对三维目标的分类与定位任务。在本文的最后在实际机场货运场景中对设计的系统进行实验分析,实现了鲁棒的实时三维目标检测,能有效地检测感兴趣物体并获取其三维信息,并结合在KITTI数据集的实验分析验证了算法在不同场景下的有效性。