近几年，自动驾驶技术逐渐成为学术界和工业界研究的热点话题。在自动驾驶系统中检测到目标并精确感知目标的距离信息，这是保证无人驾驶安全性的关键。本文采用3DmAP作为性能的技术指标，针对基于点云三维目标检测的相关问题开展研究，利用二维图像与点云融合来提高三维目标检测的性能；利用三元注意力和粗精两级回归网络提高三维目标检测的鲁棒性，同时保证目标检测的速度和精度。
　　首先，提出了一种基于视锥下尺度不变和特征权衡的三维目标检测的方法。该方法针对直接在点云中进行三维目标检测消耗大量的搜索空间的问题，将二维图像目标检测结果通过投影矩阵变换到点云空间的三维视锥中，并在视锥中进行三维目标检测。由于二维图像与点云之间存在很强的互补性，采用深度卷积网络对二维目标物进行深度特征提取，并将其编码成一个固定长度的特征向量，融合到点云分割网络中，再采用点云估计网络对视锥中点云三维包围盒进行预测，获得精准的定位。所提出的方法在室外数据集KITTI和室内数据集SUN-RGBD上获得了当时最好的性能。特别地，即便在点云极其稀疏的情况下，图像特征依旧能为点云提供丰富的语义信息，因此，本文的方法的目标检测性能超出当时最佳的结果。
　　其次，提出了一种三元注意力网络的鲁棒三维目标检测方法。该方法主要针对三维目标检测的鲁棒性问题，采用三元注意力模块，即通过联合空间注意力、通道注意力和体素级的注意力对点云的体素特征进行提取，增强关键区域，同时抑制不重要的区域或者干扰的区域，获得了鲁棒的特征表示。实验结果显示，在加入噪点的情况下，本文提出方法的鲁棒性优于已有的前沿方法。此外，采用由粗到精的回归方法，在单阶段检测的基础上采用金字塔采样聚合模块，通过跨层的连接捕捉多尺度的信息，作为精调回归网络。实验结果显示采用本文提出的由粗到精的回归方式能够在不消耗大量计算量的同时获得更好的检测精度。