随着自动驾驶技术的不断发展,越来越多的车辆搭载了用于环境感知的不同种类传感器。在这些传感器中,激光雷达与摄像头最为瞩目,但激光雷达的点云数据与摄像头的视觉信息之间存在着极大的数据结构差异,给融合带来一定的困难。当前的感知算法研究更加关注单模态传感器,融合算法实际上并未达到应有的效果。在感知环节中,3D目标检测是一项关键任务,能够为后续决策提供重要前提依据。本文通过融合激光雷达与视觉信息进行3D目标检测,探索多模态数据融合方法,主要研究内容如下:（1）针对多模态数据增广方式受限的问题,研究了多模态融合理论。将激光点云与图像转换到统一坐标系下,采用满足多模态数据一致性的全局数据增广与真值采样数据增广,提高数据集的多样性,进而使模型具有更强的泛化能力,为后续融合奠定基础。（2）针对激光点云与视觉信息数据结构差异造成的融合困难,提出了多尺度特征融合策略。将稀疏点云编码为体素形式以实现数据的规则化,在点云特征提取的主干网络中添加多尺度注意力模块以适应目标的尺度变化,通过投影关系确定体素格子对应的图像特征,实现了点云与图像的特征融合。（3）针对点云与激光雷达特征融合不充分的问题,提出了特征-候选区域融合的3D目标检测流程。综合激光点云与图像特征,利用易于训练的图像2D目标检测结果辅助3D目标检测任务,在多尺度特征融合的基础上添加后端融合模块,实现了激光点云与视觉信息的多级融合,证实了多模态的有效性。（4）针对多模态融合效率难以满足实时需求的问题,提出了单阶段无锚框特征融合网络。以多模态的有效性为前提,设计体柱编码的点云特征提取策略,在获取点云特征与图像特征的基础上,采用单阶段无锚框策略进行3D目标检测,进而平衡驾驶场景下的效率与精度。在数据集上进行测试与验证,高效的多模态融合3D目标检测方法获得了稳定可靠的检测结果。