由于激光雷达等三维数据采集设备的性能和稳定性不断提高,并且在自动驾驶、人工智能等领域的研究和应用日渐丰富,点云已成为最重要的3D数据形式之一。而深度学习作为人工智能中分类、分割和检测等任务的首选技术,将其应用到点云数据当中也是近年来的研究热点之一。本文以基于深度学习的点云车辆检测方法为研究课题,重点研究了如何将流行的深度学习目标检测框架应用在独特的点云数据格式中等问题,主要研究内容分为三个部分。（1）构建点云车辆数据集。首先介绍了针对车辆检测任务构建点云数据集所用到的采集设备和采集方法。本文采用了半固态式棱镜扫描激光雷达,提高了采集数据的点云密度和分辨率。然后介绍了数据集制作标注的方法以及数据集清洗方法。针对3D点云数据,由于其特别的空间结构,精细的标注可以极大地促进网络的学习,因此借助ROS工具对采集的数据进行细致的标注。最后研究了3D目标检测算法的相关评价指标。（2）基于3D候选框建议与Io U损失的深度学习点云车辆检测研究。本文构建了基于3D候选框建议与Io U损失的深度学习点云车辆检测器,用于从原始点云中检测3D车辆目标。网络分为两个部分进行学习。网络的第一部分网络以自下而上的方式,通过点云编解码器提取点云特征,然后通过前景点分割网络和基于区间损失的3D边界框生成网络,直接从点云生成3D候选框。第二部分网络通过联合学习点云特征和点云局部空间特征来修正正则坐标系中的候选框。（3）基于局部特征感知的深度学习点云车辆检测研究。为了使得网络能够在稀疏的3D点云数据结构中也可以同2D卷积网络一样学习到局部特征,本文利用3D稀疏卷积方法构建了基于局部特征感知的深度学习点云车辆目标检测网络。在第一阶段首先利用3D稀疏卷积构建的编解码网络提取点云特征,然后通过使用来自真实3D边界框的对象内局部位置标签和前景点标签来学习估计准确的对象内局部位置。同时,针对车辆的属性,将3D候选框的生成策略由自下而上的anchor-free方案改进为anchor-based的方案以更好地学习车辆点云特征。然后将预测对象内局部位置特征通过基于感兴趣区域感知的点云特征池化方法进行池化。在第二阶段,将局部位置信息进行聚合以使得网络可以更好地捕获对象局部的几何信息,以准确地对候选框进行置信度评估并修正它们的位置。