Para reducir las detecciones perdidas en la detección de obstáculos basada en LiDAR, este artículo propone un método de detección de obstáculos con vehículos de superficie no tripulados (USVs) utilizando el marco de coincidencia de plantillas MGNN-DANet. En primer lugar, se crean plantillas de nubes de puntos para cada USV, y un algoritmo de agrupamiento extrae objetivos sospechosos de las nubes de puntos capturadas por un solo USV. En segundo lugar, se diseña un modelo de red neuronal gráfica basado en nodos virtuales móviles, introduciendo una métrica de uniformidad de distribución de vecindario. Este modelo mejora las características de distribución de nubes de puntos locales de las plantillas y los objetivos sospechosos a través de una estrategia de muestreo local. Además, se desarrolla un modelo de coincidencia de características basado en doble atención, empleando autoatención para agregar las características de las plantillas y atención cruzada para evaluar la similitud entre los objetivos sospechosos y las plantillas agregadas, identificando y localizando así otro USV dentro de los objetivos detectados por cada USV. Finalmente, la desviación entre las posiciones medidas y verdaderas de un USV se utiliza para corregir las nubes de puntos obtenidas por el otro USV, y las posiciones de los obstáculos se anotan a través de la agrupación de nubes de puntos en vista dual. Los resultados experimentales muestran que, en comparación con los métodos de detección de un solo USV, el método propuesto reduce la tasa de detección perdida de obstáculos marítimos entre un 7.88% y un 14.69%.