La detección de objetos tridimensionales (3D) tiene un efecto vital en la tarea de conciencia ambiental en escenarios de conducción autónoma. En la actualidad, la precisión de la detección de objetos 3D tiene un potencial de mejora significativo. Además, una nube de puntos 3D no está distribuida uniformemente en una cuadrícula regular debido a su desorden, dispersión y escasez. La estrategia de las redes neuronales convolucionales (CNN) para la extracción de características de nubes de puntos 3D tiene las limitaciones de la posible pérdida de información y la operación vacía. Por lo tanto, proponemos un detector de red neuronal gráfica (GNN) basado en un mecanismo de alineación de características vecinas para la detección de objetos 3D en nubes de puntos LiDAR. Este método explota la información estructural de los gráficos y agrega las características de los vecinos y los bordes para actualizar el estado de los vértices durante el proceso de iteración. Este método permite reducir el error de desplazamiento de los vértices y asegura la invariancia de la nube de puntos en el dominio espacial. Para los experimentos realizados en el benchmark público KITTI, los resultados demuestran que el método propuesto logra resultados experimentales competitivos.