基于三维视觉的堆叠物料机器人分拣系统是自动化物流的关键环节,作为视觉分拣系统核心技术的点云配准是目标位姿估计、模型重构的基础。研究一种快速而高效的自动配准和目标识别方法以满足视觉引导机器人分拣需求,对于提高生产自动化水平、降低工人的劳动强度具有重要的理论和实际意义。（1）针对点云稀疏分布程度估算问题,提出了一种基于统计量的点云自适应平均间距估计算法。该算法通过点云数据的统计量信息,将邻域内出现频次较低的最近点和较远点合理排除,解决了最近邻点间距离作为点云平均距离导致估算结果偏小、k邻域点间距离均值作为点云平均距离导致估算结果偏大的问题。（2）针对点云数据视角边缘处产生飞点和毛刺等异常点的问题,提出了一种基于邻域密度的视角边缘剔除算法。该算法以点云平均间距估计结果为参考确定邻域球的搜索半径,以密度阈值作为限制条件,将视角边缘处的飞点和毛刺等稀疏的异常点剔除。邻域密度可将视角边缘点以及稀疏的噪声点进行区分,实验证明算法可以有效地将视角边缘点和稀疏噪声点从原数据中剔除掉。（3）针对视角边缘法向量估计存在偏差导致特征点提取受影响的问题,提出了一种基于法向量的特征点提取改进算法。该算法通过将基于法向量的特征点提取算法与基于邻域密度的视角边缘剔除算法相结合提取特征点,可以有效的将视角边缘处存在估计偏差的法向量排除。特征点提取实验证明了该算法的有效性和鲁棒性。（4）针对实际的堆叠零件识别问题,搭建了点云数据采集平台,并将上述算法应用到零件的识别过程。平台使用双目相机对不同零件进行点云数据采集,经三维重建得到零件的完整点云模型,通过堆叠摆放零件得到场景点云数据,运用上述算法对零件进行了识别。经过实验分析,本文算法识别过程的迭代次数显著降低,进一步验证了算法对实际零件识别的可行性和实用性。