3D目标检测是近几年来计算机视觉领域中备受关注的前沿方向,在机器人、自动驾驶、增强现实和虚拟现实中具有广泛的应用前景,如何精确地进行3D目标检测具有很大的研究意义和实际的应用价值。为了有效避免传统方法的弊端,充分发挥深度学习强大的特征学习能力,本文研究了基于深度学习的3D目标检测算法,融合了不同数据源的数据,构建了多模态特征融合框架,弥补了单模态点云语义信息不足的缺陷,以提升远小物体及遮挡物体的检测性能。本文的主要工作和研究成果有以下几个方面:（1）为了解决单模态点云数据语义信息不足以及点云稀疏性造成目标检测性能不佳的问题,本文提出了一种双注意力机制的多模数据融合的3D目标检测网络（Dual Attention-based Multi-modal Fusion Net,DAMFNet）。首先,设计了图片特征提取分支,多层图片语义信息有效保留了物体的结构与语义信息。然后,设计了体素的多邻域上下文信息提取器,扩大体素的感受野,融合体素多个上下文信息,以提高体素特征对物体空间结构和语义信息的表征能力及提高特征鲁棒性。最后,设计了一种多模态特征融合模块,使用通道注意力融合不同模态特征,体素注意力增强有效目标物体特征表达,抑制无用背景物体特征表达。在KITTI数据集上的实验结果表明,本文较基准算法Voxel Net在检测性能上得到有效提升,同时相比较于现有多个主流单模态方法和多模态方法,本算法取得较大性能提升。（2）为了解决传统残差网络不适用于3D目标检测任务的缺陷,本文进一步对DAMFNet算法的图片分支模块进行改进。本文设计了一种更适用于3D目标检测任务的空洞残差模块,使用空间卷积提取图片多层语义特征的同时,在低分辨率特征图中有效保留了远小物体的结构细节信息。同时设计了强语义特征模块,每层图片的特征图通过来自所有后续特征图的语义信息进行语义增强。在KITTI数据集上的实验表明,较基准算法DAMFNet相比,本文在在远小困难物体的检测性能上取得有效提升,同时与许多主流的多模态检测方法相比,本文在远小困难物体的检测性能上取得较大提升。（3）本文提出了一种基于Transformer的通用和鲁棒的体素特征编码器,以解决基于Point Net方法的体素特征提取器忽略点之间的空间关系和上下文交互,无法自适应地提取鲁棒的体素特征的缺陷。首先,探究了自注意力网络对序列数据的排列不变性,并将其应用于点云数据处理。其次,基于Transformer构建了体素特征层,体素特征层根据体素内所有点之间的空间关系和上下文信息交换来自适应地学习体素的局部和鲁棒上下文。最后,构建了以体素特征层为核心的通用3D目标检测框架,特别地,体素特征层可以嵌入任何其他基于体素方法的3D目标检测框架中。在KITTI数据集上进行的实验结果表明,本方法在3D目标检测方面达到了优异的性能。