面向现代仓储物流与工业自动化生产对物料随机抓取的需求,在2D视觉无法准确测距和估计目标位姿的情况下,研究基于点云的目标识别和位姿估计方法。针对柱体、盒体和复杂形状物体,使用点云数据计算位姿,为机器人抓取提供依据。为抓取布料卷,研究圆柱点云分割定位方法,分析迭代使用随机采样一致算法中出现的过分割和过生长问题,在剔除分割后的圆柱点云边界后,使用贪婪聚类方法融合属于同一圆柱的点云。使用最小二乘法计算圆柱半径,将边缘点向轴线投影计算轴线端点坐标。实验室和现场测试结果表明:该方法能够有效分割随机堆放的、不同尺寸的布料卷的场景点云,计算布料卷半径和轴线端点。为分拣随机堆放的盒体,研究平面点云分割方法。在两种经典分割方法基础上,提出一种平面点云分割方法:解决生长过程累积法线偏差的问题,通过聚类融合属于盒体同一表面的点云,利用矩形度筛选不被遮挡的盒体表面。测试结果表明:该方法能够有效分割随机堆放的、不同尺寸的盒体的场景点云。针对复杂形状目标识别与位姿估计问题,提出从数据预处理到假设验证的解决方案。以点对特征为基础,针对提高特征区分度、离散度和噪声鲁棒性,提出一种改进方法:模型训练阶段,在下采样时保留更多具有区分性的点对,并将点对特征存储至16邻域;在线匹配阶段,使用权重投票,并利用局部参考系验证候选位姿。使用欧式聚类筛选不同实例的位姿,在计算模型可见点后,使用由粗到精的ICP算法计算目标位姿,利用重叠率筛选不被遮挡的目标。对附加高斯噪声的点云数据进行测试:当高斯噪声标准差为3%和5%倍模型最大尺寸时,识别率分别为98%和78%,相比于原算法有5%到8%的提高。进行了复杂场景点云位姿估计测试和抓取测试,结果表明:该方法可在1.5秒内计算多个实例的位姿,能够满足随机抓取对位姿的要求。