在自动驾驶中,精确地感知周围环境至关重要。随着科技的发展,传统的三维目标检测算法由于速度缓慢,准确率不够高,正在渐渐地被基于深度学习的算法所取代。目前,由于计算力发展迅速,以及激光雷达能够精确给出目标三维外观以及位置的优点,大部分的三维目标检测算法都选择了激光雷达作为数据来源。点云数据具有数量庞大的特性,且有着与图像数据完全不同的格式,如何用深度学习有效地处理点云数据是研究的重点和难点。作为自动驾驶的“眼睛”,对三维目标检测算法的研究具有重大意义。本文所有实验均基于KITTI数据集实现,该数据集包含点云数据,由Velodyne-HDL-64E激光雷达采集,以及对应的图像数据,由两个摄像头采集。本文的研究意在寻找一种具有实时性且能够用于自动驾驶的的高检测准确率车辆检测算法。本文主要研究了三种三维目标检测算法,提出了:将深度学习嵌入传统三维目标检测框架中的方案;融合图像信息的三维目标检测算法;以及在基于网格生成的三维目标检测算法中第一次提出了无锚框的算法。本文的主要工作如下:1.研究了传统三维目标检测框架:在地面点滤除任务中,提出了结合前视图和卷积神经网络的地面点滤除算法;在点云聚类任务中,研究了激光雷达数据的特性,使用分层次欧几里德聚类算法进行聚类;在目标识别过程,提出了基于包围框的特征,然后使用基于深度学习的目标识别算法进行识别。实验证明,上述算法能够提升传统算法的效果和速度。2.研究了基于点的三维目标检测算法,并提出一种融合图像数据的方式:使用已经得到的预测框内点云训练一个新的点云分类器,并将该预测框投影回图像训练一个图像分类器,结合以上两个分类器提升算法的分类置信度,以提升检测准确率。实验证明,上述算法能够有效提升原本算法的检测精度,但是在速度上有所下降。3.研究了基于网格生成的三维目标检测算法,提出了一种快速的网格生成算法。另外,这类算法中广泛应用锚框这一设定,但是锚框引入了更多的超参数。本文提出了一种去除锚框的算法,证明了锚框并非必要。实验证明,上述算法能够有效提升网格生成的速度,提升算法精度。