近年来,随着物流无人车配送服务开始落地运营,为保障物流无人车安全可靠行驶,通过车载激光成像雷达和可见光相机等传感器对目标进行高精度检测已成为各大物流、电商公司普遍关注的问题。而现有三维目标检测算法普遍存在激光点云特征提取困难,融合检测模型难以充分提取多模态信息等问题,导致无法对目标的进行实时准确检测,使得物流无人车在进行配送任务中仍存在不少安全隐患。基于此,本文重点开展基于深度学习的物流无人车目标检测技术。开展的主要工作如下。（1）针对激光点云数据的稀疏性、不平衡性和空间不规则性导致的目标点稀少,候选区域特征提取困难等问题,本文研究并实现了基于图神经网络和注意力机制的激光点云目标检测方法。将图神经网络和注意力机制结合起来从感兴趣点中提取特征,可从候选区域中提取到更加丰富的信息,做到仅依赖少量点云就能准确检测目标,同时研究了一种点云密度感知半径预测模块,能根据点云密度分布的不同动态调整候选区域特征提取范围,避免了点云数据为空时的无效特征提取操作,一定程度上节省了计算成本且提高了网络模型对不同点云稀疏程度的适应性。通过与其他典型激光点云目标检测算法进行对比,本文研究的激光点云目标检测网络在检测速度和检测精度等方面表现更好。（2）针对现有激光点云和可见光图像融合检测机制难以将三维场景上下文信息集成到多模态特征融合层中而导致的检测精度不高、很难适应复杂场景等问题,本文研究并实现了基于Transformer的端到端特征融合检测网络。使用Transformer的注意力机制将三维场景上下文信息集成到不同模态的多个阶段特征融合层中,充分整合了来自不同模态数据的信息,克服传统融合机制对不同模态信息提取不充分的问题,有效提高了目标检测精度。通过多组实验结果的对比和分析,本文方法在检测精度方面有更好表现。（3）为了验证本文目标检测算法的有效性,本文搭建了物流无人车模拟平台,利用平台搭载的激光成像雷达和可见光相机等传感器采集了大量的外场数据。同时,为进一步实现激光点云数据和可见光图像数据的可视化,本文设计并实现了物流无人车配送场景目标检测软件,通过室外不同场景应用实验,验证了算法软件功能,证明了本文目标检测算法在物流无人车配送场景下的有效性。