三维目标检测技术作为自动驾驶感知层的核心组成部分,为自动驾驶汽车决策控制提供了安全保障。本文以道路交通环境下车辆的三维目标检测方法为研究对象,针对目前基于激光雷达的三维目标检测方法成本高、基于视觉的方法计算量大的问题,提出了一种低成本的双目视觉实时三维目标检测方法。论文提出了利用双目立体匹配算法将双目图像转化为具有三维空间结构的伪点云,再利用点云三维目标检测算法进行车辆检测的技术路线,并开展了以下工作:（1）针对现有双目立体匹配网络参数量和计算量过于庞大的问题,提出了一种基于注意力机制的轻量化实时立体匹配网络。基于共享特征、低分辨率代价体和超分辨率模块的高效网络架构,先生成低分辨率视差图,再利用超分辨率模块对低分辨率视差图进行上采样。提出了基于空间注意力机制的超分辨率模块,在上采样的同时缓解了边缘模糊问题,且控制了网络整体计算量。此外,为了进一步了提高推理速度,利用推理加速框架Tensor RT对所提网络进行了优化,进一步了提高推理速度,在保证精度的同时提高了算法的实时性。所提立体匹配网络在Scene Flow数据集上,实现了0.9像素的匹配误差和69Fps的推理速度;在KITTI数据集上,实现了3.44%的匹配错误率和68Fps的推理速度;在嵌入式AI设备上,能够实现实时生成高精度视差图,在实际场景中具有较高的应用价值。（2）针对双目立体匹配网络在深度估计任务精度不足的问题,提出了基于深度代价体和深度损失函数的双目深度估计网络。在KITTI公开数据集上的实验结果表明,所提方法改善了双目立体匹配网络的深度估计精度,所生成的伪点云能在一定程度上替代激光雷达采集的真实点云。研究了基于点云的三维目标检测算法Point Pillars的网络结构和检测原理,利用Point Pillars模型对伪点云进行三维目标检测,生成三维目标检测框。利用KITTI公开数据集,验证了本文所提技术路线的合理性。（3）完成了双目立体实验平台的搭建以及本地道路数据集的采集和标注。针对相机和激光雷达时间同步问题,提出了一种基于相机外部触发、GPS授时和PTP技术的时间同步数据采集方法。基于本地道路数据集,验证了本文所提算法的有效性。