近年来,随着社会发展与科技进步,2D图像物体检测在许多方面取得了很大进展。然而,在自动驾驶或增强现实（AR）的许多应用中除了获得2D边界框之外,还需要3D理解。目前随着在移动设备和自动驾驶车辆上3D传感器的普及,许多3D数据被获取和处理。因此,对于3D的理解也就变得格外重要。本文主要研究三维物体检测,它是对物体类别进行分类,并估算物理对象的三维边界框。目前3D物体检测常见的其中一种方法是基于二维驱动实现的,在实际场景检测中有很大局限性。比如光照、遮挡、信息表达单一等问题。为了解决点云密度不均匀导致点特征丢失问题,点云特征提取的不够准确性问题,以及边界框预测不准确的问题,本文研究了点云分割的网络框架,多视图融合的网络框架,以及在特征提取过程增加注意力机制的网络框架。主要研究内容如下:1、针对RGB-D数据的三维物体检测中采用均匀采样点云进行训练导致在实际场景下点云准确率下降的问题,本文提出用Point Conv网络进行检测,来解决部分关键点云特征的丢失问题。本文提出的方法在充分考虑了输入点的排列不变性情况下,使用直接计算点云的神经网络更有利于点云进行分割。同时考虑到Point Net缺少对局部特征的提取,缺乏识别细粒度图案和应用到复杂场景的能力,以及在采样时未考虑密度信息。现实场景中的点云往往是疏密不同的,Point Conv网络正是通过增加密度稀疏区域的权重,让稀疏区域的关键点不丢失,从而让点云特征输出更准确,因此,采用Point Conv网络进行3D实例分割和3D边界框评估,可以得到更准确的结果。2、针对受到串行结构的影响,3D边框估计的结果严重依赖于2D检测的问题,本文提出将Res Net网络提取的RGB图像特征和Point Net网络提取的点云特征进行融合,应用到3D实例分割模块,通过以上方法来提高3D物体分割和3D边界框评估的准确性,解决2D检测可能出现漏检现象导致3D点云数据的不准确性问题。融合网络将使用Res Net网络提取的图像特征和由点云通过Point Net网络产生的相应点云特征作为输入,然后将这些特征进行融合。融合特征的过程相对提高了特征的准确性,并对某些特征加以补充,很大程度上解决了3D边框估计的结果严重依赖于2D检测的问题。3、针对输入的点云数据出现光照与遮挡情况导致特征提取不准确问题,以及最大池化方法破坏点云的信息结构,导致局部特征表达能力弱的问题,本文提出了一种基于卷积注意力机制（Convolutional Attention Mechanism,CAM）的3D物体检测方法。CAM首先在传统特征提取网络结构的第一层和最后一层添加注意力机制,然后将不同层的特征信息进行融合,最后进行归一化操作。CAM实现局部与全局信息融合的同时,显著提高了在光照和遮挡场景下物体检测的准确性。