以深度学习为代表等人工智能技术的快速发展,使得交通、安防、医疗以及教育等诸多领域出现了变革性的发展,尤其在交通领域,智能汽车成为了人工智能技术发展应用的重要载体。在智能汽车系统中,环境感知是至关重要的模块,对车辆周围环境全面、准确的感知是智能汽车安全性、舒适性、可靠性的前提和保障。其中,目标检测是环境感知技术中最基本也是最重要的研究方向,主要解决了“是什么”和“在哪里”的关键问题,二维目标检测技术日趋成熟,但像素位置信息很难满足实际应用的需求。针对这一问题,本文提出了基于单目图像的道路场景下三维目标检测算法,旨在获取目标在三维物理空间中的位置、三维尺寸以及运动姿态等信息。本文首先分析了三维目标检测任务需求,建立了单目视觉下二维图像平面与三维空间的投影转换关系,设计了基于两阶段目标检测框架的单目视觉下多任务分支结构的三维目标检测网络。根据三维目标检测框架,针对网络结构、回归参数以及损失函数进行了设计。利用KITTI开源数据集验证了该三维目标检测算法的性能,与单目视觉下其他算法相比,三维检测精度得到了有效的提升。并针对提出的三维目标检测框架,从网络结构设计以及模型训练能力等方面,探讨了网络的优化方法,提出了基于特征金字塔结构的FPN-3D优化模型。通过完整的对比实验,验证了优化方法的有效性,并进一步提升了三维检测算法的整体性能。其次,针对单目视觉中深度信息缺失等问题,提出了基于语义-深度信息融合的三维目标检测框架,分别从语义特征编码和深度特征编码两方面,分析了目前不同的语义分割方法和单目视觉下深度估计方法,引入PSPNet网络和U-Net网络分别作为语义特征编码器和深度特征编码器。此外,通过引入对特征通道进行响应建模的Squeeze-and-Excitation模块优化多级特征融合方法。通过实验,验证了语义信息与深度信息在提升目标航向角估计以及位置估计等三维检测任务中的作用。最后,本文利用nu Scenes、Lyft3D等开源数据集对本文提出的三维目标检测算法进行了进一步的实验验证与性能对比分析,相比于KITTI数据集,其数据量更丰富,场景更加复杂,更能表征模型的整体性能。通过实验进一步表明了该网络框架的有效性,以及针对不同数据集的适应性和鲁棒性。