智能驾驶是人工智能领域的重要发展方向,三维目标检测是智能驾驶的核心技术,它能获取目标方位信息,利于驾驶系统规划安全行车路径。相机-激光雷达系统是环境感知的发展趋势,它能发挥点云-图像特征的互补优势,提升三维目标检测性能。相机-激光雷达系统的三维目标融合检测存在若干研究难点,譬如标定约束数量不足、点云-图像特征融合难、三维目标标注数量有限。针对上述研究难点,论文主要研究内容和创新点如下:相机-激光雷达系统的外参数标定是三维目标融合检测的前提。针对受限场景标定约束数量不足,论文提出基于主辅标定物和投影一致优化的标定方法。主辅标定物由主要标定物和辅助标定物构成,辅助标定物是场景中顶点显著的物体,提供额外同名点约束。主辅标定物的优势是结构简单、充分利用场景中标定特征,保证标定精度。针对激光点云的观测噪声,论文提出投影一致性外参数优化,获取鲁棒标定结果。相机-激光雷达系统的固定装置在长期使用中会受环境影响发生缓慢形变,故需要校正系统的外参数。针对开放场景中标定约束数量不足,论文提出基于广义标定物和虚同名点约束的校正方法。广义标定物为点云-图像中轮廓显著的物体,虚同名点约束由该标定物在图像中的二维包围框和点云中的三维截头锥框角点构成。针对虚同名点约束的几何特性,论文提出截头锥光束平差法,获取精确校正结果。针对点云-图像特征融合难,论文提出基于结构-材质特征融合的三维目标检测。为刻画目标在点云-图像中的同名结构,论文结合传统特征描述子和深度学习编码器,提出结构一致特征,以提高三维目标框的回归精度。考虑到目标类别与材质关联性,论文推导目标材质和反射强度关系,提出材质反射特征,以提高目标识别精度。结构-材质特征融合模块发挥上述特征的优势,提升融合检测器的检测效果。针对三维目标标注量有限,论文提出基于半监督课程学习的三维目标检测,合理利用未标注数据,提升融合检测器的泛化性能。论文利用无监督数据增强,提出标签变换的损失函数,提升训练效率。为降低训练过拟合风险,论文引入课程学习训练思想至半监督学习框架,在训练过程中迭代增加未标注样本,逐步增加检测器的训练难度。论文同时采用评测数据集,保证检测器参数更新的有效性。针对智能驾驶中环境感知,论文深入研究基于相机-激光雷达系统的外参数标定、外参数校正、三维目标融合检测、半监督三维目标检测等技术,提升三维目标检测识别性能,保障智能驾驶安全性能。