三维目标检测作为三维场景感知的重要任务之一,是一个广泛研究的计算机视觉问题,在自动驾驶、机器人、增强现实等很多领域都具有广泛的应用。近年来,随着智能设备如激光雷达、深度相机的发展和神经网络技术的逐渐成熟,二维场景下的目标检测对三维真实世界的场景描述依然不够,使用深度神经网络进行基于点云进行三维目标检测的研究变得越来越热门。给出了一种改进的三维目标检测算法,获取三维空间中目标的位置、尺寸以及姿态等三维边界框和其类别几何信息。针对三维点云数据特征提取,基于点网（PointNet）进行改进,给出了一种注意力残差聚合网络（Attention Aggregate Residual Network,AARNet）。将AARNet作为主干网络,设计了一种二阶段的三维目标检测框架AARRCNN,其中第一阶段基于网格生成三维候选框,第二阶段进行候选框的细化从而获得最终的检测结果。为了获得更精确的三维边界框,在非极大值抑制时,引入“交并比”作为候选框的排序依据,从而提高三维边框的置信度。在进行目标区域特征映射时,进行了坐标转换和对输出的特征进行了特征增强。在S3DIS数据集上进行语义分割实验,结果表明AARNet对点云特征提取的性能优于以往方法。在自动驾驶场景KITTI数据集进行了两阶段三维目标检测实验,结果表明改进后的目标检测算法在保证时间复杂度的同时,三维目标检测的精度得到了进一步的提升。