随着激光设备价格的下降,目前无人驾驶已从单传感器识别逐渐过渡到多传感器融合,但因激光点云信息为三维信息,在对识别算法的计算与存储能力提出较高要求的同时,也面临着点云数据特征提取与融合网络搭建等诸多挑战。为解决点云数据量过大、图像与点云融合困难等问题,本文基于KITTI数据集,研究了一个传感器融合识别算法,用于针对不同目标的分类与定位,并获取其3D目标识别框。首先,本文介绍了KITTI数据集中涉及传感器融合算法的点云数据以及检测结果的评判标准,并通过梳理点云数据无序性、稀疏性以及信息量有限的特性,提出点云数据鸟瞰化方案,融合点云数据高度、密度、强度信息,将其转化为图像信息格式进行特征提取。通过多传感器融合算法方案的介绍,选取AVOD(Aggregate View Obeject Detection network)为本文传感器融合网络的基础框架,并将其分为特征提取与目标框筛选模块,分别进行分析与优化。其次,针对特征提取模块中,传统特征检测算法针对激光点云数据特征提取能力较弱的问题。本文设计出基于八度卷积的特征提取网络,其中特征提取网络融合了八度卷积与多层特征组合检测算法,在降低计算力需求的同时,扩大了目标感受野,提升了小目标检测能力。此外,通过使用Leaky Re LU与批归一化等算法,使得网络快速收敛,减少过拟合的情况发生。然后,针对目标框筛选模块中,传统目标框筛选算法中IOU(Intersection Over Union)判别标准简单,且难以判断3D目标框包含的目标方向、高度与长度的问题。本文设计并提出了针对3D目标框的筛选算法,将目标框的筛选分为2D与3D阶段,在2D目标框筛选阶段采用3DSoft-NMS(3DSoft Non Maximum Suppression)算法,减少因目标重叠等因素导致的目标漏检。在3D目标框筛选阶段,借鉴GIOU(Generalized Intersection Over Union)算法思想,用以设计3D-IOU评判标准,并以此获得全新的姿态估计损失函数,提升了3D目标框的筛选精度与效率,减少了重叠现象的发生。最后,针对AVOD传感器融合算法小目标检测能力弱与目标框筛选精度低的问题,将上述改进统一整合,提出了融合效率更优的OC3D-AVOD算法,并通过对比MV3D与AVOD框架实验结果与融合实验,证明了OC3D-AVOD的优越性。