目标检测任务主要目的是对场景中的物体判定类别,并运用三维框标记出其三维位置与尺寸大小。目前,针对三维目标检测任务,深度学习网络通过对大量数据的学习可得到提取更具有鲁棒性特征的模型,此类网络虽实现了良好的效果,但其中存在的挑战也非常大,原因包括输入信息存在的误差、提取特征的误差等。因此,解决以上问题也是促进三维目标检测技术快速发展的一个重要导向。本文针对三维目标检测任务中存在的问题如:卷积神经网络提取的特征缺乏区域与通道依赖关系、难以无损地扩大感受野,单阶段方法的网络检测精度低、漏检率高,输入的雷达点云稀疏不完整等问题,分别在提升卷积神经网络特征提取精度及优化三维目标框的层面提出系列解决方案,主要完成以下研究:1、针对卷积神经网络提取的特征缺乏不同区域与不同通道的依赖关系,提出结合混合域注意力机制的卷积神经网络提取特征。先在网络融入自监督的空间域注意力机制以强化区域中的目标特征并削弱背景特征;后在网络的各个卷积层中融入通道域注意力机制以增强关键通道特征并抑制无效通道特征;最后结合空洞卷积层提取不同感受野的特征,从而得到图像全局与局部视野结合的特征。2、针对卷积神经网络提取的特征难以保证在无损空间分辨率的情况下扩大感受野的问题,提出结合多层空洞卷积层的卷积神经网络提取特征。首先将网络提取的特征输入到组合的空洞卷积层以提取不同感受野的特征映射;然后融入通道域注意力机制获取特征映射的通道权重并对其进行融合,从而获取特征局部感受野的关键通道特征,同时也得到其全局感受野的关键信息。3、针对单阶段的三维目标检测方法检测结果精度低、漏检率高的问题,提出基于金字塔卷积神经网络的二阶段的三维目标检测方法,提升三维目标检测的检测精度、降低目标的漏检率。4、由于输入的雷达点云稀疏且不完整,三维目标检测中回归的三维框具有一定误差,为缓和由于输入信息导致检测结果不准确的问题,提出引入点云形状补全的三维目标检测优化方法。通过运用点云形状补全算法对原三维目标检测方法得到的三维框提取的物体部分雷达点云进行形状补全,得到物体完整形状的雷达点云,并运用主成分分析算法对物体完整形状的雷达点云进行主特征提取,进行特征调整后得到更精准的三维目标框。实验结果表明,本文提出的三维目标检测方法相比目前多种先进的三维目标检测方法检测精度更高,检测结果更好,而本文中的优化方法也能实现调整优化三维目标框的目的。