随着激光扫描技术和组合定位定姿技术的不断发展，快速获取大场景三维信息已经成为现实。车载移动激光扫描系统以其独特的系统优势，能够快速获取大范围场景的高密度、高精度以及具有地物三维地理坐标的三维点云数据。车载移动激光扫描系统采用主动式近红外激光测量方式，数据采集任务不受任何环境光照条件的影响，在白天或夜间均可进行场景数据采集。车载移动激光扫描系统及其三维点云数据已被广泛地应用于交通运输、道路规划、道路检修、地图导航、数字城市、文物保护、林业、采矿业、影视动漫以及基础测绘等领域。基于三维点云数据的三维目标检测算法的研究也已取得了重大的进展。然而，现有的三维目标检测算法在处理大场景车载激光点云数据时仍然存在以下几个问题:(1)时间复杂度较高或计算效率较低;(2)特征表达能力不足;(3)精度较低、鲁棒性较差;(4)数据的不完备性。另外，由于车载激光点云的高密度、海量特性、空间离散特性以及自然场景中三维目标的数据不完整性、目标间的重叠性、遮挡性、相似性等现象，研究鲁棒、高效的三维目标检测算法对进一步推广车载移动激光扫描系统及其数据在各个领域的应用都具有重要的意义。本文针对大场景车载激光点云三维目标检测所面临的科学和算法问题，主要围绕以下三个内容进行研究:　　首先，针对现有特征点描述方法只能描述特征点的局部特征以及缺乏针对局部点云块整体特征描述的问题，提出了三维点云特征描述的新方法。针对基于形状匹配的三维目标检测，提出了用于描述三维点云目标整体结构特征的成对三维形状上下文。通过构造邻近特征点对之间的成对三维形状上下文，可以对三维目标的局部特征进行描述。通过构造三维目标上所有特征点对之间的成对三维形状上下文，可以对三维目标的整体结构特征进行描述。此外，针对基于目标局部特征的三维目标检测，提出了用于描述局部点云块高阶抽象特征的多层结构特征生成模型。该模型通过深度学习方法进行构造，能够快速、高显著性、高可区分性地对局部点云块进行高阶特征描述。　　其次，针对实际三维点云场景中同类目标之间的尺寸多样性、空间拓扑结构多样性以及目标重叠问题，提出了基于三维点云数据的三维目标匹配框架。该框架通过特征匹配项和几何匹配项分别对三维目标的局部特征和几何结构特征进行约束。通过构造局部仿射不变性几何约束，该三维目标匹配框架不仅能够有效地处理不同尺寸、不同空间拓扑结构的同类三维目标，而且对包含附属物或与其他目标重叠的三维目标也能取得理想的匹配结果。　　最后，针对实际三维点云场景中不同语义目标之间的重叠性以及车辆目标之间的不同程度数据完整性问题，提出了基于霍夫森林模型和可见性估计模型的三维车辆检测算法。霍夫森林模型能够有效地将局部点云块的特征表示映射到三维车辆的质心位置，实现基于车辆局部特征的三维车辆检测。可见性估计模型通过车辆组件部分的分布信息，能够有效地对三维车辆的完整性进行估计，用以增强数据覆盖不完整车辆目标的存在性的概率估计结果。　　本文在大场景车载激光点云测试数据集上对所提出的三种三维目标检测算法的检测性能和计算性能进行了测试与定量分析。结果表明，本文所提出的三维目标检测算法能够有效地处理大场景车载激光点云数据，并且取得了较为理想的三维目标检测性能。另外，与现有的三维目标检测算法的对比结果同样表明了本文所提出的三维目标检测算法的优越性。本博士课题的研究对大场景车载激光点云三维目标检测算法的研究起到了重要的推动作用。