3D目标识别是模式识别、机器视觉中的一个热门课题,在军事、交通、生物医学等诸多领域中有着广阔的应用前景和巨大的经济价值。针对单独利用RGB信息和Depth信息进行目标识别存在的局限性以及目标间存在类内差异、类间相似等不确定性问题,本文基于Kinect相机系统获取场景目标的RGB图像和Depth图像,在特征层和决策层两个层面,研究了融合RGB特征和Depth特征的3D目标识别方法。本文的主要工作如下：(1)分析总结了当前国内外利用RGB信息以及Depth信息进行目标识别的相关方法以及研究现状,并对目前已有的用于3D目标识别的数据集进行了详细的介绍；(2)在特征层上,引入目标间不同特征对识别结果的贡献大小作为权重,利用多核学习的方法实现了RGB特征和Depth特征的自适应加权融合,结合SVM分类器实现目标的分类识别。在RGB-D数据集上进行了多组实验,实验结果表明该方法较好的实现了特征的融合,并有效地解决了目标类内差异、类间相似问题对识别结果的影响,一定程度上提高了3D目标识别率；(3)在决策层上,针对单一特征识别过程中存在的不确定性问题,基于D-S证据理论实现了一种融合RGB特征和Depth特征的3D目标识别方法。结合SVM分类器在小样本情况下具有良好的分类能力,利用D-S证据融合规则对两类单特征的SVM概率输出进行融合判决。在RGB-D数据集上进行了多组实验,实验结果表明,该方法一定程度上提高了3D目标的识别率。