近年来随着互联网企业、造车新势力以及传统车企纷纷投入自动驾驶市场,自动驾驶领域呈现出火热的势态。3D目标检测作为自动驾驶车辆感知系统中最重要的一环,其直接决定了自动驾驶车辆是否能够按预期安全运行,这就使得3D目标检测正成为计算机视觉最活跃的研究领域之一。如今,体积更小、性能更强的计算设备得以在车辆上部署,各种模态的传感设备使得车辆对周围环境的建模能力得到增强,3D目标检测的发展迎来了许多机遇;但与此同时,面向自动驾驶的3D目标检测领域仍存在着各种难点与挑战,除了稀疏的点云、小尺寸目标、嘈杂的背景、变化的光照等难点以外,车辆所处的开放道路环境对其可靠性与实时性也提出了很高的要求。为此,针对上述难点与挑战,本文的主要贡献如下:（1）针对道路交通场景中的小尺寸目标点云数量稀少的问题,本文通过分析FPoint Net,在其基础上引入目标RGB深度特征并提出了一种基于多模态融合的3D目标检测方法。该方法包含一个基于RGB深度特征的视锥点云特征融合网络,将目标图像的深度特征作为点云的全局特征,为点云的分类与回归提供点云特征以外的语义信息,并以此提高点云数量稀少时的检测精度。在KITTI数据集上的实验结果表明,本文所提出方法相较于F-Point Net在多个类别上的平均精度均取得了提升,尤其是对于尺寸较小的Pedestrian目标而言。（2）针对上述工作特征融合过程中特征编码固定以及Cyclist类别表观镂空的特点,本文进一步提出了一种基于注意力机制的3D目标检测方法。该方法包含一个基于通道注意力的多模态特征加权融合网络,通过对RGB特征各个通道之间的相关性进行建模以实现对多模态特征的加权融合。在KITTI数据集上的实验结果表明,该方法相较于前者有了进一步的提升,其中Pedestrian类别的平均精度提高了3%以上,各项指标在与其他方法的比较中都取得了前2名。本文方法作为融合多种传感器模态在道路场景中进行3D目标检测的算法,引入目标RGB特征提高了小尺寸目标的检测鲁棒性;注意力机制也使其具备专注于关键信息的能力,从而进一步提高检测的准确性。同时本文方法均能以每秒38帧以上的帧率运行,符合场景的实时性要求。以上这些优势对于安全至上的道路交通场景来说具有重要价值。