随着人工智能技术的飞速发展,无人驾驶技术作为一种社会生活智能化的重要应用,正在逐步从理论走向现实。其中,三维目标检测为无人驾驶提供了基础的环境感知与三维场景理解,为后续的机器行为决策与路径规划奠定了基础。作为二维目标检测的衍生任务,三维目标检测需要为每一个对象在相机坐标系下的最小外接立方体进行推测,其属性包括中心位置定位、立方体尺寸以及偏航角。尽管基于视觉的三维目标检测已经取得了巨大的进展,对昂贵的三维标签的依赖在很大程度上限制了其在实际应用中的可扩展性。针对该问题,受视差原理的启发,本文对从二维投影到三维包围盒的逆向转换进行充分探索,提出第一个无人驾驶环境下无需真实三维标注的三维目标检测模型。本文的主要方法是对大量的虚拟三维包围盒进行采样,并将其投影到二维相机平面,构建一个无需图像数据的人工数据集。这些虚拟的二维与三维包围盒对可以代替真实的三维标注,以此学习到从二维投影到三维包围盒的转换模型。本文提出了一种基于高斯过程原理的轻量级神经网络模型3DNP-Net,只需要双目二维包围框即可实现对三维包围框各个属性的回归。为了训练该模型,本文详细介绍了虚拟数据集的采样与生成方法,该数据集使得3DNP-Net无需三维真实标注也可以完成训练与预测。本文进一步提出一种面向三维结构的非极大抑制方法,并结合一种利用视差对齐与光度误差进行三维校准的策略,经实验验证极大地提升了 3DNP-Net回归结果的平均精度。我们在最具有影响力的公开数据集KITTI上进行实验,并与现有的基于三维真实标注的全监督三维目标检测方法进行比较。实验结果表明,本文提出的基于先验分布的无监督三维目标检测算法超越了部分全监督三维检测算法,进一步证明了无监督三维目标检测的可能性。