三维数据的获取与处理技术在无人驾驶、智能机器人等领域具有广泛的应用。随着深度学习技术的不断优化,深度学习在三维数据获取与处理上的应用迅速发展。本文关注深度学习在三维测量和三维目标检测中的应用。三维测量的目的是对被测物进行测量从而获得被测物的三维数据。为了提高测量效率,现有方法将深度学习应用于三维测量的相位解包裹中,但这些方法存在如下问题:（1）没有重点关注相位跳变频繁的区域,导致在图像细节处的准确率较低;（2）难以获取图像各区域间的相位关系,导致在图像四周的准确率较低。针对问题（1）,本文提出一个边缘注意力模块,利用注意力机制和图像的梯度信息,指导模型聚焦于图像中相位跳变频繁的区域;针对问题（2）,本文引入一个区域关系模块,显式地获取图像各区域间的关系信息。本文分别在仿真数据和真实数据上进行实验,结果表明提出的方法能有效地提高模型的解包裹准确率。通过三维测量获得场景的三维数据后,对该数据进行三维目标检测,可以识别出场景中感兴趣的目标并确定目标的位置、尺寸和姿态。现有基于深度学习的三维目标检测算法在标准点云数据集上达到了良好的性能。然而,在实际应用中,点云数据会由于多种因素（如雨雾遮挡,物体的反射率低等）而变得稀疏,模型的准确率也会随之下降。针对该问题,本文提出一个基于对抗学习的数据增强算法,引入一个增强网络以生成稀疏样本。具体地,增强网络根据当前检测网络的性能,生成对应难度的稀疏样本;检测网络通过在稀疏样本上训练,逐渐地提高在稀疏点云上的准确率。本文在KITTI数据集上进行实验,结果证明提出的方法能有效地提升模型在稀疏点云上的性能。