机器视觉是一门综合了多种学科理论与技术的学科,人们通过眼睛获取具有深度信息的三维模式图片来认识世界、了解世界。物体识别是机器视觉领域的一个重要研究课题,重点研究图像的获取、处理分析、输出以及现实,也就是将被测物体的表面信息先转化成图像数据,再提取图像的各种特征。随着三维扫描技术与计算机技术、目标识别技术的迅速发展,基于三维点云数据的目标识别技术已经成为机器视觉领域的研究热点并被广泛应用于民用与军事领域。本文的主要工作分为三大部分:首先,设计了一种基于模糊C均值聚类和法向修正的双边滤波点云综合去噪算法,该滤波方法集法向量修正、模糊C均值聚类和双边滤波三种算法的优点于一体,通过模糊C均值聚类方法去除离群点噪声,然后修正点云曲面的法向量,在此基础上再进行双边滤波处理。能够除去大尺度噪声和光顺小尺度噪声,具有普适性、鲁棒性和高效性等特点,能够维持模型关键特征,去除较大范围的噪声,且运行时间效率较高。然后,基于关键点表面表示的特征描述子(Keypoints-based surface representation,KSR)设计了一种目标识别算法。先利用SIFT算法检测关键点,然后计算KSR描述子,计算KSR的同时可建立局部参考坐标框架(Local Reference Frame,LRF)。KSR的计算降低了算法的复杂度且提高了算法的计算速度。最后通过KSR匹配生成假设,并使用ICP算法验证假设进而完成目标的识别和分割。基于数据集检验了识别算法的性能。最后,设计了一种基于协方差特征组合优化的点云识别算法,该方法能将3D点云的颜色、位置、深度、几何等特征信息随机结合、排序组合选优,有着紧凑性、灵活性等优点。用遗传算法寻优支持向量机分类器的参数,利用支持向量机对特征进行分类。实验分为实体分类、类别分类和场景目标识别三部分,比较了各类组合特征的识别效果。本文的仿真环境采用VC++环境和第三方工具点云库结合,对各章节提出的算法在自行构建的数据集和RGB-D等数据集以及相应的复杂场景下进行了可行性和有效性的验证分析。实验结果表明本文提出的各类方法都能达到预期的效果,具有一定的实际工程应用价值。