为了解决传统激光差动共焦显微镜（LDCM）无法在测距的同时，进行高精度倾斜角度测量的问题，提出了一种基于差动共焦的倾角测量传感器。在对倾斜表面进行测量时，该传感器首先利用轴向扫描获取的差动响应信号精准定位其焦点位置，然后分析显微镜光瞳面场强分布并提取光斑图像的峰值位置，从而实现对倾角的精准测量。首先，建立聚焦光束经倾斜待测面反射后的光场分布模型，对不同倾斜角度下显微镜光瞳面的场强分布情况进行分析。然后，在分析倾斜光斑特征的基础上，提出了采用改进Meanshift算法进行光斑峰值位置提取的方法。最后，通过实验验证了传感器对倾角测量的有效性。实验结果表明，传感器对倾斜程度（0~8°）测量平均误差为0.011°，对倾斜方向（0~360°）的测量平均误差为0.128°，能够满足利用差动共焦非接触光学探针对三维表面进行检测的过程中，对待测表面倾斜角度测量的要求。该传感器为自由曲面的高精度轮廓测量提供了一种新的方法。

基于激光雷达点云数据的三维目标检测算法受制于数据量大，无法实现速度与准确率的平衡。本文提出一种改进的三维目标检测算法Pillar RCNN。首先将目标点云空间划分为体素格，使用一种基于稀疏卷积的三维主干网络将体素格逐步转化为立柱体素，三维信息量化为致密的二维信息。然后使用二维主干网络提取特征，同时将三维骨干网络中不同尺度的体素特征与二维主干网络通过多尺度体素特征聚合模块进行特征级联，通过损失函数进一步细化检测框。算法在KITTI公开数据集上进行测试，在RTX 2080Ti硬件平台上识别速度为2.48 ms。汽车、行人、自行车3种类别的检测效果同PointPillars基准算法相比较，其中自行车中等难度检测效果提升13.34%，困难难度的车检测效果提升8.85%，其他类别的检测准确率指标也有所提升，实现了速度与准确率的平衡。

针对无人驾驶系统环境感知中的三维车辆检测精度低的问题，提出了一种基于激光雷达的三维车辆检测算法。通过统计滤波与随机抽样一致算法（Random Sample Consensus，RANSAC）实现地面点云分割，剔除激光雷达数据冗余点及离群点；改进3DSSD深度神经网络，利用融合采样提取点云中车辆语义信息与距离信息；根据特征信息对车辆位置进行二次调整生成中心点，使用三维中心分配器匹配中心点并生成三维车辆检测框。将KITTI数据集划为不同场景作为实验数据，对比多种三维车辆检测算法。实验结果表明：所提出的方法能够快速、准确的实现三维车辆检测，平均检测时间为0.12 s，检测精度最高可达89.72%。