基于激光雷达扫描点云的三维物体目标检测算法是自动驾驶场景感知算法的重要组成部分,它对于自动驾驶的安全性有十分重要的意义,该检测算法的有效性将直接决定自动驾驶是否能够落地。在二维图像检测较为成熟以后,深度学习从2017年进军三维物体检测,并且已经有不少三维物体检测方法崭露头角。目前较为有名的算法都可以分为两大类,Point类和Voxel类。Voxel类用体素来作为点云的表征方式,发展历程最久,但其原理上必然会导致信息的丢失,在检测精度上已经接近上限。Point类用点直接表示点云,可以保留点云的原始信息,其中的图网络方法可以结合点云的区域信息,有利于无结构性点云的特征学习。首先在KITTI点云数据集上创新性地总结了点云数据的七种特点,在点云数据上完成了裁剪、采样等处理工作。详细地介绍了本文的网络基础结构,即通过采样框选出顶点,在一定范围内建立顶点和边的关系,组合成点云图。将点云图送入图网络的多层感知机迭代更新顶点特征,用分类损失和位置损失来预测类别和回归框,最后通过评价指标AP来评估检测算法的精度。其次,为了提升检测过程中点云物体的细节,在算法中对点云的局部特征做增强处理。针对图网络挑选顶点的区域不够准确的问题,提出了基于分段采样的自适应点云采样方法,在远处的稀疏物体处保留更多顶点,并且抑制z轴位置较低或较高的多背景点区域。另外,针对图网络方法挑选的顶点准确度不高的问题,提出了多步建图的方法,在确定顶点范围后,为顶点的准确挑选留有冗余,并通过实验予以验证。然后,为了有效利用点云的全局特征,来弥补点云的分布不均衡性,在算法中对点云的全局特征做增强处理。针对点云的全局相关性,提出基于自注意力的全局特征增强方法,将顶点队列作为输入,利用相同类别物体的相似度,在输出的结果中融合了顶点之间交互的特征,使前景和背景的特征差异更明显,提高了前景顶点的影响力。同时针对点云的伪3D性,提出了基于可视度分类的全局特征增强方法,将顶点体素以鸟瞰图视角根据遮挡与未遮挡划分成不同类别,获得了新的可视度特征,并将可视度融入顶点的特征队列。由于是否是前景点和是否被遮挡这两者有极大的相关性,所以此方法提升了网络对前景顶点或背景顶点的辨别能力,对物体的分类效果有较大的提升。最后,本文综合使用提出的多种算法,进行消融学习。在自适应分段采样、高度区域采样、多步建图、自注意力方法和可视度方法等多个方面,对比训练的迭代过程,选择其中的关键参数,测试这些方法的AP值和PR曲线,对检测结果进行抽样比对。将本文算法与KITTI官网上的算法、经过同行评议的最好算法以及图网络最好算法对比,证明了本文提出的算法对三维物体检测有较大的提升,取得了很好的效果。