近年来,自动驾驶由于其巨大的应用前景受到广泛关注,环境感知作为自动驾驶实际应用的最大障碍,高效低成本地获取车辆行驶过程中的环境信息被广泛研究。现有基于2D检测技术可以实现较好环境感知,但是该检测技术自身具有较大的局限性,获取信息有限,无法满足车辆实际行驶所需的信息量。随着以深度学习为基础的人工智能技术兴起,许多研究学者基于深度学习网络,结合雷达点云数据,利用网络自主学习特性,3D目标检测技术被研究人员提出。然而,由于雷达点云数据具有稀疏和不规则的特点,仅使用雷达点云数据的3D目标检测技术,检测效果依旧存在许多问题。为了提高车辆目标检测效果,本文基于现有的3D目标检测方法,对目标检测算法进行改进优化,提出一种新的3D目标检测方法。通过搭建激光雷达平台,对改进优化算法的可行性及有效性进行验证。本文主要工作内容及贡献概述如下:（1）对自动驾驶领域中环境感知车辆基于深度学习的目标检测算法的国内外研究现状进行梳理分析。重点归纳总结了一阶段（SSD算法）和二阶段（Faster R-CNN）的2D目标检测算法以及基于结构化处理雷达点云数据的3D目标检测算法。（2）针对由于雷达点云数据稀疏,较远车辆目标及遮挡车辆目标存在被错检、漏检等问题,本文基于点云柱状快速编码目标检测算法,引入注意力机制,提出一种融合注意力机制改进的3D目标检测方法,通过将CA和SA组合提取更深层特征,获得更为全面的环境信息。为了实现最佳检测效果,本文还对两个不同子模块进行了不同顺序组合的对比试验,比如单个CA、单个SA,并联CA和SA和串联不同顺序CA和SA。对于简单、中等和困难三种识别等级,研究结果表明所提出的优化算法比现有的基础算法准确度均有所提高;并且可视化结果表明优化后的算法在远处目标和遮挡场景下检测具有更强鲁棒性;最优化子模块组合为CA和SA顺序串联。（3）针对现有激光雷达成本高的问题,为了降低检测成本,本文基于调频连续波激光雷达测距原理,搭建一款低成本激光雷达平台。基于搭建的激光雷达平台进行激光点云数据采集,对改进算法模型的可行性和有效性进行验证。研究发现所研发检测平台可以实现3D目标检测,基于改进后的检测算法,该平台可以有效检测道路上的车辆目标。