伴随着通信产业和计算机视觉技术的飞速发展,无人驾驶已经成为了科学技术和实体经济相融合的典型代表,在构建汽车产业生态和促进经济发展上都扮演着举足轻重的角色。但是,受限于现有的传感器硬件水平和感知技术,无人驾驶系统的安全性还有待提高。因此,利用激光雷达点云进行精确的三维感知,对实现高级别的无人驾驶系统具有十分重要的研究价值。本文针对现有点云目标检测算法的不足之处,分别从减少信息损失和克服点云稀疏与分布不均的特点出发,提出了一种结合注意力机制和自适应调整的点云目标检测算法。本文创新性工作主要包括以下两个部分。1.基于注意力机制的点云特征融合算法研究。针对经典的Point Pillars目标检测算法在点柱切分时造成的信息损失问题,提出了更细粒度的多张伪图像生成方法。然后,受启发于注意力机制的基本思想,提出了一种高度注意力和通道注意力并行加权的特征融合结构HC-Module,用以对多张伪图像进行特征融合。该算法利用多重加权机制,增强了特征的信息表达能力。2.基于自适应调整的点云目标检测算法研究。由于激光雷达的工作特性,导致其收集的点云数据具有稀疏性和近密远疏的分布不均特性,加大了网络对远处物体的检测难度。针对此问题,本文在上述特征融合算法的基础上,提出了一种自适应调整的目标检测算法。本算法首先通过上下级融合的主干网络,增强特征提取能力,充分挖掘特征图包含的隐藏信息。然后,通过设计的自适应调整的检测头,一方面从原始信息融合的角度去克服点云的稀疏性,另一方面从自适应调整的角度去降低点云的远近分布不均性对检测带来的干扰。最后,将各模块进行串接,解决了检测效果受限于点云特性的问题。实验结果表明,在相同的训练数据集下,相比较Point Pillars算法,本文提出的结合注意力机制特征融合和自适应调整的点云目标检测算法,取得了更高的检测精度。尤其针对困难样本,本文算法较许多现有算法拥有更好的检测效果。