Ce travail traite la détection d'objets 3D pour la conduite autonome en utilisant diverses sources de données. L'objectif principal est de détecter des objets 3D dans des scènes routières. Un certain nombre de facteurs remettent en question cette tâche, y compris la variabilité des conditions ainsi que le nombre d'objets, l'éclairage et les facteurs météorologiques. Il existe un écart de performance entre les méthodes basées sur le LiDAR et celles basées sur les cameras ou la fusion. Contrairement aux méthodes basées sur la camera, qui manquent d'informations de profondeur, les méthodes basées sur la fusion ont le problème de plusieurs sources de données (telles que la camera, le RADAR et le LiDAR). Pour relever ces défis, nous examinons et évaluons les techniques majeures de l'état de l'art sur la détection d'objets 3D pour les véhicules autonomes. Nous proposons ensuite une nouvelle approche basée sur la fusion pour la détection d'objets 3D. Deux questions clés ont été abordées. Un premier problème est de savoir comment fusionner efficacement des images et des données sous forme de nuages de points dans une architecture unique qui sera capable d'apprendre des représentations de haut niveau à partir d'un réseau de neurones profond en IA et d'améliorer les capacités de détection. Une deuxième question est de savoir comment les conditions météorologiques défavorables affectent les capteurs et les performances du modèle de détection, et quelles données doivent être utilisées dans le modèle en fonction de ces conditions défavorables. Cela a abouti à l'introduction d'une nouvelle technique de détection d'objets 3D appelée SLS-Fusion (Sparse LiDAR and Stereo Fusion), qui utilise une camera stéréo et un LiDAR pour prédire une carte de profondeur. Cette carte de profondeur est ensuite convertie en pseudo nuage de points en utilisant des paramètres extrinsèques camera-LiDAR. Afin d'obtenir des boites englobantes 3D, ce pseudo nuage de points peut être utilisé avec n'importe quelle méthode actuelle de détection d'objets basée sur le LiDAR. Notre architecture peut améliorer à la fois l'estimation de la profondeur et la précision de la détection d'objets 3D. Les résultats expérimentaux sur des ensembles de données publiques (KITTI) montrent que l'approche proposée surpasse l'état de l'art actuel. Nous avons également mené des recherches sur le problème de la détection par temps de brouillard. Pour ce faire, nous avons créé un jeu de données sur lequel on a appliqué du brouillard et appelé Multifog KITTI. Le modèle montre une nette amélioration avec un apprentissage avec des données avec brouillard supplémentaire. Nous avons également analysé d'autres aspects: l'apport des deux types de capteurs aussi bien par temps favorable que par temps de brouillard, lorsqu'ils sont fusionnés et lorsqu'ils sont utilisés séparément. Le résultat principal est que l'utilisation du LiDAR par temps de brouillard conduit à une performance de détection d'objets assez mauvaise. En revanche, les résultats bases sur la camera stéréo sont prometteurs par temps de brouillard, quel que soit le niveau de visibilité. Sur la base de notre analyse d'ablation et des différentes mesures utilisées pour évaluer nos algorithmes de détection, nous avons montré que les capteurs doivent toujours être non séparés pour de meilleures performances. Les résultats quantitatifs ont montré que les performances de détection chutent raisonnablement avec chaque composant désactivé (caméra stéréo ou LiDAR) ou en modifiant le nombre de nappes LiDAR. Ces résultats ouvrent de nouvelles directions de recherche pour la détection d'objets 3D pour la conduite autonome en combinant des images de camera stéréo avec des nuages de points LiDAR. De plus, nous générons et introduisons dans ce travail le jeu de données Multifog KITTI, une nouvelle base de données sur les conditions de brouillard qui contient à la fois des images et des nuages de points.