激光雷达作为空间信息获取的一个有效手段在诸多领域得到广泛应用。作为激光雷达应用中的主要技术之一,三维点云数据处理逐渐成为一个重要的研究领域。本文面向智能车库中点云数据处理技术展开研究。针对智能车库中自动泊车实时获取待停车辆车轮位置和姿态信息的需求,本文结合点云数据中车轮目标的特性,基于深度卷积神经网络提出并实现了一种满足自动泊车要求的三维点云车轮目标检测方法。本文完成的主要工作与贡献如下:（1）针对车轮中心线目标的一维特性和为满足模型运行的实时性要求,将三维点云转为二维序列数据,采用循环神经网络,通过估计序列化输入的前景/背景概率定位车轮中心线的位置;文中对比分析了循环神经网络与其变体长短时记忆网络、门控循环单元网络的识别效果,设计了一种基于其变体长短时记忆网络的车轮中心定位网络,实验结果证实了循环神经网络应用于车轮中心线定位的有效性。（2）对车轮被遮挡情况下定位偏差过大的问题,本文提出一种并联式融合循环神经网络和Faster R-CNN的模型Fusion RNN,借助RNN能够处理时序和CNN能够提取空间域隐性特征的优点,同时具备分析序列化向量间语义关系和识别车轮几何特征的能力。（3）针对自动泊车需要获取车轮姿态信息的需求,本文提出一种新的点云目标检测模型Loc Point Net,在分类网络Point Net基础上添加定位模块,引入区域候选框回归车轮目标位置信息,解决了传统点云目标检测不能获取任意方向的目标姿态信息的问题;利用最小外接立方体作为目标描述方式,既逼近点云目标的真实轮廓,又包含目标的姿态信息。综上,本文在智能车库系统中,利用激光雷达采集的三维点云中包含的信息,将深度学习框架应用至车轮目标检测任务中,定位机动车车轮中心,识别车轮姿态。在车辆图像数据集Wheel Pro 2D上的实验结果表明,双向长短时记忆网络在几种循环神经网络中的综合定位车轮中心效果最好,定位速度快;Fusion RNN有效抑制了因障碍物部分遮挡车轮导致的误检现象;在车辆点云数据集Wheel Pro 3D上的实验结果证明,Loc Point Net具有一定的对车轮目标进行检测的能力,尤其对车轮的姿态预测较为准确。