针对3D点云训练数据因人工标注不精确而导致模型定位不准确的问题，提出了一种基于定位不确定性的鲁棒3D目标检测方法。首先，以基于3D体素网格的稀疏嵌入卷积检测（SECOND）网络作为基础网络，在候选区域生成网络（RPN）的基础上增加对定位不确定性的预测；然后，在训练过程中使用高斯和拉普拉斯两种分布模型对定位不确定性进行建模，并对定位损失函数进行重新定义；最后，在预测过程中结合定位不确定性和分类置信度作为目标置信度，使用阈值过滤和非极大值抑制（NMS）方法筛选候选目标。实验结果表明，在KITTI 3D目标检测数据集上，所提算法对于车辆类别的检测准确率在中等难度上比SECOND网络提高了0.5个百分点；当在训练数据中额外加入扰动模拟噪声的情况下，所提算法的检测准确率比SECOND网络最多提高了3.1个百分点。所提算法提高了3D目标检测准确率，减少了误检且提高了3D边界框的精度，并且对于带噪声的数据更鲁棒。