提出一种无人驾驶场景下基于三维点云的目标检测和分割方法。无人驾驶汽车实时感知车辆周围目标的位置和运动,从而实现与其他道路参与者的友好交互。实时的目标检测和定位是无人驾驶环境感知技术中的关键任务,包括相机、激光扫描仪和毫米波雷达在内的多传感器数据常用于无人驾驶的目标检测和跟踪。近年来,很多基于图像的目标检测算法相继提出。这些算法在二维图像投影空间的检测效果表现优异,但却缺失了运动跟踪预测所关注的三维位姿信息。鉴于三维激光点云数据包含丰富的几何信息以及高精度的定位信息,本文方法使用激光点云数据作为唯一的输入,完成三维空间的道路动态目标检测、识别和分割,输出精准的三维目标位姿。方法分为两步完成三维点云数据中的目标检测和分割。第一步通过基于3D-Voxel和区域生成的深度学习网络进行点云中的三维目标检测。本文提出在原有的目标分类和检测框回归分支之外新增并行的点云前景背景分割分支,三个任务分支共享点云特征提取层。离散图卷积替代多层感知机应用于点维度几何特征提取。点云分割分支提高了原有的目标分类和检测框回归任务精度,并为接下来的目标实例分割任务奠定基础。第二步接收第一步生成的三维检测框结果,聚类落入检测框内的点云实现目标点云实例分割。针对点云中目标检测和分割任务,本文提出了适应点云的数据增强方法用于提高网络训练效果,并设计了相应的评测方法分析对比实验结果。KITTI开源数据集被应用于实现本文方法,相近思路的3D-Voxel开源算法用于进行对比实验,验证本文方法的改进和创新对效果的提升作用。实验结果表明本文方法在三维目标检测任务上的效果优于其他3D-Voxel的基准算法。此外自定义的评测指标给出了本文方法新输出的目标点云实例分割的数值型评测结果。