随着深度神经网络的发展,2D目标检测的精度在某些场景下已经超过了人眼。但2D目标检测只能反映出物体在图像平面的位置,缺乏深度信息以及物体的尺寸等三维空间参数,在实际应用中存在一定的局限性。激光雷达、深度相机等3D数据采集设备的广泛使用,为3D目标检测的研究和应用提供了较好的平台,学术界和工业界都涌起了很多关于3D目标检测的研究,解决了很多3D目标检测中的难题。然而3D目标检测技术在实际应用中仍然存在一些问题,包括激光点云数据的稀疏性问题和小目标类别难以检测等问题。本文主要研究在自动驾驶场景中,基于点云俯视图的3D目标检测算法,针对激光点云数据的稀疏性问题和小目标类别检测困难问题,提出一些优化方案,主要工作如下:（1）针对3D目标检测中激光点云数据的稀疏性问题及以点云俯视图存在3D空间信息损失的问题,提出一种基于点云俯视图重映射的3D目标检测算法Bird-Point Net,在目标检测第二个阶段,通过俯视图候选框特征与点云候选框特征融合的方式,利用激光点云俯视图提高目标识别能力的同时充分利用了激光点云数据的3D空间信息以保证检测框的准确性。实验表明引入点云候选框特征后,3D目标检测的精度得到一定程度的提高。（2）针对3D目标检测中小目标检测困难问题,提出了一种基于点云俯视图候选框尺度特征的3D目标检测算法,根据俯视图候选框的尺寸对候选框进行尺度分类,并将不同尺度类别的候选框在不同尺度的特征图上进行ROI池化,以增加小目标类别用于第二阶段精细化检测的特征点数量,从而提高小目标检测的精度。实验表明通过对候选框进行尺度分类,能够有效提高小目标类别的检测精度。