随着深度学习技术的日益发展,计算机视觉逐渐成为了人工智能领域最为重要的研究领域之一,目标检测是计算机视觉领域中极具挑战性的核心研究方向。目标检测是指利用视觉信息中的高级特征来对目标的类别、尺寸与位置进行预测。在二维与三维场景中运用目标检测技术已经是安全防控、智能驾驶等行业的关键一环。为了在不同场景中实现目标检测技术精度与速度的平衡,本文对基于深度学习的2D/3D场景目标检测算法进行了研究与分析。论文的主要创新性成果如下:（1）阐述2D/3D场景目标检测技术的研究背景、意义和现状,介绍深度学习与神经网络的主要理论基础。对当前应用于目标检测领域中的卷积神经网络的结构特点与运作机制进行分析。（2）针对二维场景目标检测中基于两框交并比的边界框回归损失函数存在某些特定状态下数值失效的问题,本文提出了改进的回归损失函数。将边界框回归时两框的相对距离与形状相似性纳入损失函数的监控范围,并通过施加自适应权重系数的方式来实现各项因素对最终损失函数值的实时调整。实验结果表明改进后的回归损失函数能够显著提高主流目标检测算法的性能。（3）针对基于深度学习的二维目标检测算法数据规模过大造成的实际应用困难的问题,本文提出了基于残差网络改进的目标检测算法。以Res Net为基础引入通道维度的注意力机制,并结合复合残差结构来构建全新的骨干网络,从而提高特征映射的质量。同时通过对卷积操作的改进来降低网络所需的计算量。实验结果表明,在其他训练技巧的配合下改进的算法结构能够在COCO测试集上在40.3FPS时达到38.42的AP值,实现了精度与速度的良好平衡。（4）在前述工作的基础上,针对特定场景下三维点云目标检测算法的实际需求,本文提出了基于交叉迭代批量标准化改进的Point Net算法。研究了算法对于装甲目标点云数据的检测性能,并采用交叉迭代批量标准化来解决算法进行标准化时受批次大小影响较大的问题。实现了针对特定目标的三维点云检测算法Point Net的构建。