近年来,借助深度学习的强劲表现,计算机视觉中的主要任务之一 2D目标检测的研究也取得了巨大的突破,并广泛应用在社会各界中。但是,2D目标检测仅仅是在平面图图像中检测并定位目标,由于缺少关键的深度信息,不能应对自动驾驶、移动机器人等应用中的挑战。和2D目标检测仅仅在平面图像中检测目标不同,3D目标检测需要结合深度信息,对真实立体空间中的物体进行检测,提供诸如目标的位置、物理大小以及目标方向等空间场景信息。3D目标检测这种对目标进行空间定位的特性,使其在自动驾驶、移动机器人等领域具有至关重要的作用。目前,3D目标检测在性能上和2D目标检测仍有很大的差距,因此,对3D目标检测算法的研究,不但具有深远的理论价值,还有广阔的应用前景。为此,本文研究内容如下:1、对目前的3D目标检测算法及相关理论进行综述,介绍并分析了 3D目标检测算法的研究现状,根据不同的数据类型,对3D目标检测算法进行分类,并分析其中的优势与不足。介绍了深度学习的概念,并重点阐述了深度学习网络中卷积神经网络的结构和工作原理,并分析了卷积神经网络在目标检测中所发挥的重要作用。2、基于深度学习的点云特征提取算法研究。首先,对3D目标检测的各个关键步骤进行阐述,之后对点云的数据结构特性进行详细说明,并对目前基于深度学习的点云特征学习算法进行研究,分析不同的网络结构对点云特征进行提取的工作原理,总结了其中的优缺点,并提出了一种改进的点云特征提取方法。3、通过对目前基于点云的3D目标检测算法进行分析,针对其中存在的无效计算量过大、检测效率低、目标误检测和漏检测等问题,提出了一种基于冗余点过滤3D目标检测网络,首先利用2D检测器在RGB图像中对目标进行定位,通过视锥体候选区提取目标所在点云空间,过滤多余点,减少计算量,增加有效搜索空间。提出算法在KITTI公开数据集上进行训练和测试,实验结果和其他3D目标检测算法进行对比,检测结果有显著提升。