近年来,随着汽车行业的高速发展,交通事故的发生也在逐年增长。汽车高速行驶下的追尾事故已经是造成全球交通事故发生的首要原因,因此导致的死亡人数也在所有交通事故中排在了首位。为了减少交通事故的发生,高级驾驶辅助系统已经受到了人们越来越多的关注。高级驾驶辅助系统的核心在于环境感知,利用诸如摄像头、激光雷达、毫米波雷达等传感器对道路周围的环境进行感知,检测道路前方的车辆,并对即将到来的碰撞发出预警。传统方法检测车辆需要人为预先设定并提取相应特征,存在着准确率较低抗干扰能力弱等缺陷。如今利用计算机视觉领域中的卷积神经网络进行三维目标检测,已经成为该领域愈发火热的一个研究方向。尽管基于单帧图像的方法在计算速度和成本上有着巨大的优势,但与基于激光雷达的方法相比,目前基于单帧图像的三维目标检测的准确率还比较低。在广泛使用的KITTI标准测试集中,基于单帧图像的3D目标检测准确率比基于激光雷达的方法要低63%。本文研究了基于单帧图像的三维目标检测方法。在只有单帧图像、深度信息缺失的情况下,提出了一种新型的水平几何局部性保持的正则化方法,设计了面向高级驾驶辅助的Mo Net3D神经网络架构,三维目标检测准确率由基准模型的13.88%提高到了21.80%。本文的具体工作与贡献如下:（1）设计了Mo Net3D实时的单帧图像驾驶辅助三维目标检测与定位神经网络框架,实现了95.50%的平均定位精度。（2）提出了一种水平几何局部性保持的正则化方法,将目标的三维邻近关系先验知识引入深度神经网络训练过程,提高了目标的三维目标检测与识别的准确度。（3）设计了一套自动驾驶辅助原型计算系统,系统可以以每秒27.85帧的速度处理分辨率为1248×384的视频图像实现三维目标检测和定位。