激光雷达波束窄,方向性好。与二维成像传感器相比,不仅能够获得目标丰富的反射率强度信息,还可以获得目标三维结构信息和位置信息。其中GM-APD激光雷达探测灵敏度高,体积与功耗小,有极大的应用潜力。基于此的小目标检测可以帮助系统更早地发现目标,检测目标。目前针对GM-APD激光雷达图像目标检测有以下三点困难:首先,受到像元数限制,目标的空间分辨率不高,难以获得远距离小目标清晰轮廓,使得检测准确率受阻;其次,目标检测算法通常只能针对单一类别图像进行处理,难以同时利用多种图像信息,即强度信息与距离信息;最后,激光成像雷达获取的数据有较高的相似性,数据量较少,且没有公开可用的数据集,基于此数据训练有过拟合的风险。针对上述问题,文中通过构建激光雷达数据集展开研究,具体工作与研究从以下三个方面展开:首先,针对采集的激光雷达图像数据量少,数据相似度高的问题,文中同时从传统的基于触发模型的方法与基于生成式对抗网络的方法进行数据增强的研究,提出了结合注意力机制的生成式对抗网络。将强度像与距离像作为不同通道输入到网络中,从而生成对应的强度像与距离像。在激光雷达数据集上,文中算法在IS与FID评价指标下均实现了最优。通过目标检测网络验证了数据增强方法的有效性,在Faster RCNN网络中,数据增强前检测准确率为88%,数据增强后为90%,提高了2%。其次,针对强度像检测准确率低的问题。文中分析了表现不佳的原因,并提出了基于级联特征金字塔网络与注意力机制的小目标检测算法。该算法将注意力模块与感受野模块加入特征金字塔网络,使其网络可以同时考虑到目标本身及其周围信息。在激光雷达远距离车辆数据集上,文中提出的算法准确率达到96.5%。与其他算法进行比较,文中提出的算法达到最优。最后,针对基于强度像的目标检测面对复杂场景发生错检的情况,文中提出了基于强度像与距离像信息融合的目标检测算法。该算法首先通过改进特征金字塔网络在强度像对目标进行初筛,之后在候选框内将目标转化为四维点云,最后对点云进行二次检测验证。经GM-APD激光雷达远距离车辆数据集测试,文中提出算法检测精度达到98.8%,对于车辆结构不完整,远距离小目标车辆弱回波,背景中包含强反射光斑等复杂场景有很好的鲁棒性,为激光雷达弱小目标检测识别提供了可行的解决方案。