三维车辆检测是车辆自动驾驶过程中的基础和核心任务,对于保证行车安全十分重要。近几年,随着深度学习理论和传感技术的快速发展,三维车辆检测方法的检测性能得到了极大的提升,然而距离其在实际交通场景中应用还面临两方面的挑战,首先是检测方法的检测精度还无法满足自动驾驶的需求,主要体现在遮挡及远距离车辆目标的漏检率和形似车辆目标的误检率还较高;其次是现有的检测方法也不能很好地满足全天候场景检测的需求,各检测方法的检测性能在不同光照环境下差异性较大。针对以上两个挑战,本文从多传感数据融合的角度入手,通过对多传感数据融合模式进行研究提高了检测器的检测精度,并通过研究不同检测网络的切换策略使检测器同时满足了全天候场景检测的需求。本文的主要研究工作和创新成果如下:多传感数据融合的检测网络可以利用传感器性能互补提高检测器的检测性能,但网络结构的复杂性和融合模式的多样性直接影响了检测器的检测性能。本文首先对多传感数据融合模式展开初步研究,构建了并行融合的两阶段融合检测框架并提出了特征深度连续聚合网络FDCA。该网络以图像和点云俯视投影为数据源,通过多阶段特征融合和构建简洁高效的网络结构,有效地提高了检测器的检测精度,并保证了检测实时性。此外,考虑到损失函数的复杂性和计算多样性,还设计了多任务损失函数和精细的损失权重掩膜平衡各优化目标对检测精度的影响。针对遮挡车辆易漏检的问题,提出了基于点云的三维遮挡车辆检测网络3DOV。该网络将点云编码为体素网格和俯视图两种同源不同编码方式的致密数据,并设计了对遮挡车辆检测友好的多源特征融合网络和多尺度检测头,使检测器能够专注于学习与遮挡车辆相关的特征;此外,还提出了一种新颖的体素卷积编码器提取体素特征,该编码器通过卷积层和多层感知机逐步聚合体素内点的局部和全局特征,提高了对局部点云的几何特征提取能力。为了进一步减少遮挡及远距离车辆目标的漏检和对形似车辆目标的误检,提出了图像和点云多阶段多模态融合的检测网络MLF。首先引入早期融合模块对图像和点云进行数据级融合,使点云具备了粗糙的纹理信息;然后构建了以点云为主以图像为辅的3D RPN网络分别获取提案结果和车辆目标语义特征。其中点云分支采用3DOV网络主体结构,并提出更加优秀的粗精检测头替换多尺度检测头,通过模拟两阶段检测框架提高了提案结果的三维信息回归精度;最后,在深度融合模块中对图像和点云进行特征级融合细化了提案结果。为了使三维车辆检测器满足全天候场景检测的需求,并保证检测器具有最优的检测性能,提出了基于多检测网络切换的全天候检测方法。该方法根据图像的亮度情况将图像分为光照良好、弱光照和黑暗环境三种情况,在光照良好和黑暗环境下,分别采用MLF网络和3DOV网络执行检测任务;在弱光照条件下,还提出了一种图像自适应增强算法用于提高图像质量,最后采用MLF网络执行检测任务。此外,还对全天候检测方法的实时性进行了分析,并设计了可选择的瘦体网络平衡检测精度和检测效率。综上所述,通过对多传感数据融合模式和多检测网络切换策略进行研究,在KITTI三维车辆检测基准数据集上,本文提出的检测方法获得了与其他优秀检测方法相比具有竞争力的检测性能,在“Easy、Mod.和Hard”三种样本难度等级下将三维车辆检测精度分别提升到了 90.36%、82.34%、80.58%,同时还满足了全天候场景检测的需求。由此可见,本文的研究成果很大程度上解决了三维车辆检测方法面临的检测精度低和无法很好满足全天候场景检测需求的难题。