机场跑道异物（FOD Foreign Object Debris）对飞机的起降过程威胁巨大且关系到所有乘客、机组人员的安全。因此,对机场安全重点监测区域的跑道路面异物检测具有十分重要的研究意义。针对路面异物检测的需求,结合近几年快速发展的三维数据处理技术和三维神经网络,本文提出了一种基于改进PointCNN和VGG16融合模型的路面异物检测模型。因为机场特殊环境的限制,本文选择在普通路面上做异物检测研究。首先,本文以传统图像特征识别网络作为对比,阐述了深度学习处理三维数据的难点,引出和分析当前各种处理三维数据不规则问题的方法。接着介绍试验采用的设备、三维数据采集的原理并基于改进滤波器对采集的数据进行滤波。然后针对三维数据采集过程中的振动问题,通过振动形式分析提出了横向卷积方法对振动数据进行修正,较好的消除了设备振动产生的影响,之后对三维数据进行空间域非线性增强凸出异物特征。其次,分析了深度图像与点云的转换关系,试验分析各种点云数据降采样方法。由于现有方法对路面点云数据采样效果差,本文通过分析路面异物数据分布特征,提出了梯度降采样方法,该采样方法不仅有效保留了目标结构特征且拥有比均匀降采样方法更低的时间复杂度。随后阐述了常见的路面异物和试验中所使用的异物,并构建本文的路面异物数据集。最后,研究了基于深度学习的路面异物点云检测方法,通过试验分析多种点云特征检测模型,筛选初始训练结果最优的PointCNN网络作为基础模型,通过重新设计分类结构和改进参数使得改进模型对路面异物点云的分类准确率达到90%。同时结合传统CNN网络在二维图像上的检测优势,将三维数据降为二维图像通过VGG16网络进行检测,并将点云模型和图像模型的特征矩阵进行加权Log Softmax计算,选出最优的组合权重并通过数据测试得出融合模型的准确率达到96.8%,相比于单一三维模型的准确率有6.8%的提升。综上所述,本文从三维数据采集中常见的振动问题出发,提出横向卷积算法抵消设备振动产生的影响。然后面对数据量过大的问题设计了梯度降采样方法对点云进行采样,最后经过融合改进PointCNN模型和VGG16模型对路面异物进行检测。从路面数据的采集处理到异物检测进行了系统的研究,对重点路面的异物检测具有应用价值和参考意义。