En el campo industrial, el algoritmo de detección de objetivos 3D PointPillars ha ganado popularidad. Mejorar la precisión de detección de objetivos manteniendo una alta eficiencia ha sido un desafío significativo. Para abordar el problema de la baja precisión de detección de objetivos en el algoritmo de detección de objetivos 3D PointPillars, este documento propone un algoritmo basado en mejora de características para mejorar la red principal. El algoritmo mejora la información preliminar de características de la red principal modificándola basándose en PointPillars con la ayuda de mecanismos de atención de canal y atención espacial. Para abordar la ineficiencia causada por el exceso de parámetros submuestreados en PointPillars, se utiliza FasterNet (una red de extracción de características ligera y eficiente) para el muestreo descendente y la formación de mapas de características de diferentes escalas. Para evitar la pérdida y el desenfoque de las características extraídas resultantes del uso de convolución inversa, utilizamos los módulos de muestreo ascendente ligeros y eficientes Carafe y Dysample para ajustar la resolución. Los resultados experimentales indican una precisión mejorada bajo todas las dificultades del conjunto de datos KITTI, demostrando la superioridad del algoritmo sobre PointPillars.