为了进一步降低目标检测出现的误检率，提出了一种基于传感器数据特征的融合目标检测算法。首先，为了减少部分离群噪声点对点云表达准确性的影响，采用统计滤波器对激光雷达原始点云进行滤波处理；其次，为了解决点云地面分割在坡度变化时，固定阈值会导致分割不理想的问题，提出了自适应坡度阈值的地面分割算法；然后，建立KD（k-dimensional）树索引，加速DBSCAN（density-based spatial clustering of applications with noise）点云聚类，基于Andrew最小凸包算法，拟合最小边界矩形，生成目标三维边界框，完成聚类后的目标点云位姿估计；最后，将激光雷达检测到的三维目标点云投影到图像上，投影边界框与图像检测的目标边界框通过IoU关联匹配，提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明，提出的点云聚类平均耗时降低至173 ms，相比传统的欧氏距离聚类，准确性提升6%。搭建硬件实验平台，基于实测数据的实验结果表明，提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。