当前,随着人工智能领域在人类生产生活范围内的广泛应用,人们对人工智能产品的需求性、依赖性不断提高。在这种背景下,基于智能化的无人驾驶技术也得到了飞速的发展。研发使无人驾驶汽车更高效、更精准的感知道路环境的目标检测技术,已经成为无人驾驶领域的重中之重。在对道路场景的障碍物的目标检测中,将目标检测数据运用于深度学习网络是当前最普遍的方式,深度学习网络拥有良好的拟合能力和鲁棒性,点云数据拥有更加全面的深度信息,有助于目标的回归。然而当前点云目标检测仍存在准确率较低、尤其是检测小目标时效果不佳、检测效率不够完善、达不到实际道路场景中对目标检测的要求等问题。针对上述问题,本文以目前国际上最大的自动驾驶场景下的计算机视觉算法评测数据集KITTI数据集为研究对象,分别对MASK RCNN算法（一种实例分割模型）和YOLOv4算法进行改进,并通过与其他同类算法对比证明算法的可行性,论文主要研究内容和贡献如下:（1）针对传统三维目标检测时检测准确率较低、尤其是检测小目标时效果不佳等问题,提出基于改进MASK RCNN与Bird-Point Net结合的3D目标检测。首先通过统计滤波算法对原始的点云进行预处理,消除过量的离群点,减少误差;然后对MASK RCNN中特征金字塔网络（简称FPN）部分进行优化,构造一个更好的学习可扩展特征金字塔结构用于目标检测;之后结合Bird-Pointnet算法,将点云编码为俯视图格式进行目标识别和粗略定位,检测结果映射回点云空间后进行精确检测,更好地利用了图像数据目标识别能力较强和点云数据空间信息更加准确的优点,提升了对小目标的识别能力。最后,通过KITTI数据集,将改进后的结合算法与其他的同类算法在相同硬件条件下进行训练和测试,并比较检测精度。最后的测试结果显示,与MV3D、Voxel Net、VNMax等算法相比,改进后的算法对汽车的平均检测精度分别提升了13.65%、4%、2.9%,对行人的平均检测精度分别提升了13.89%、4.17%、2.91%,相比传统方法,改进后算法对各类检测目标的平均检测精度有了明显提高。（2）为了解决当前目标检测算法检测效率较低,无法更好满足现实道路场景中对无人驾驶汽车的实时目标检测能力的需求等问题,对YOLOv4算法进行改进。将处理后的点云投入Bird-Net网络,编码为三通道俯视图图像,并将提取的俯视图图像投入改进的YOLOv4网络中,提升检测速度。将YOLOv4中标准卷积替换为深度可分离卷积,将计算量和参数降低到原来的13,同时用改进后的轻量CSP代替原有的CSP结构,简化运算步骤,从而大幅提升运算速度。最后在KITTI鸟瞰图中,将改进后YOLOv4算法与其他同类算法进行对比,本算法在保证目标检测精度的前提下,改进后YOLOv4算法的FPS值由YOLOv4算法的30.36提高到39.94,目标检测速度有了明显的提高。