La detección de vehículos robusta y precisa es un requisito previo para la toma de decisiones y la planificación de movimientos en la conducción autónoma. Los algoritmos de detección de vehículos siguen tres pasos: segmentación del suelo, agrupamiento de obstáculos y ajuste de cajas delimitadoras. El resultado de la segmentación del suelo afecta directamente la entrada de los algoritmos de agrupamiento de obstáculos subsiguientes. Con el objetivo de abordar los problemas de sobre-segmentación y sub-segmentación en los algoritmos tradicionales de segmentación del suelo, se propone en este documento un algoritmo de segmentación del suelo basado en procesos gaussianos. Para garantizar una búsqueda precisa de los puntos candidatos reales del suelo como datos de entrenamiento para el proceso gaussiano, el algoritmo propuesto introduce criterios de altura y pendiente, que son más razonables que el uso de un umbral de altura fijo para la búsqueda. Después de eso, se introduce una función de covarianza dispersa como la función núcleo para el cálculo en el proceso gaussiano. Esta función es más adecuada para la situación de segmentación del suelo que la función de base radial (RBF). El algoritmo propuesto se prueba en nuestra plataforma experimental de conducción autónoma y en el conjunto de datos público de conducción autónoma KITTI, en comparación con el algoritmo RANSAC más utilizado y el algoritmo de filtro de suelo por rayos. Los resultados de los experimentos muestran que el algoritmo propuesto puede evitar una clara sobre-segmentación y sub-segmentación. Además, en comparación con la RBF, la introducción de la función de covarianza dispersa también reduce el tiempo de cálculo en un 37.26%.