目标检测是计算机视觉领域中的一个基础性算法,促进了其他上层技术的发展,在自动驾驶、机器人导航和智能交通等多个领域得到广泛的应用。近年来,2D目标检测算法已经趋于成熟,但是3D目标检测算法尚处于发展阶段,模型的性能还有很大的提升空间,因此3D目标检测算法是计算机视觉领域研究的热点之一。针对3D目标检测算法,本文从锚框的设计、特征的增强以及多模态数据融合等方面进行研究,主要工作内容如下:（1）针对3D目标检测算法中锚框机制所存在的问题,提出了一个3D锚框生成网络。该3D锚框生成网络是根据图像的语义特征信息预测锚框的尺寸和长宽比,使得锚框可以覆盖到更多的目标物体,减少了很多冗余的负样本锚框。（2）针对3D目标检测算法中特征提取网络优化的问题,引入了一个注意力模块（CBAM）,提出了一个基于注意力机制的3D目标检测网络,从通道和空间两个维度对特征图进行再处理,它强调了重要的特征信息,抑制了无用的噪声信息,通过强化神经网络提取特征的能力提升了检测模型的整体性能。（3）针对图像数据不能直接提供物体深度信息的问题,研究了基于多模态数据融合的3D目标检测算法,在图像数据的基础之上增加了点云数据,实现了多模态数据的融合,并通过实验研究了不同的数据融合方法对模型性能的影响。本文以TLNet模型作为网络的基础框架,并在标准的KITTI数据集上对模型进行了训练与评估。实验结果表明,提出的3D锚框生成网络预测得到的是和目标物体匹配度更高并且稀疏分布的锚框阵列,在利用3D锚框生成网络替换原来的锚框机制后,对于检测难度为中等、困难的目标物体,模型的AP3D指标分别提升了1.52%和1.56%。在检测网络中添加改进后的注意力模块,模型指标提升了0.74%。对基于多模态数据融合的目标检测算法进行了探索,使得模型的性能得到了进一步的改善。