随着计算机视觉和人工智能的快速发展,三维扫描技术得到了广泛的应用,基于室内场景三维点云的分割与目标识别也成为了热门研究方向。然而,由于室内场景的复杂性、三维扫描设备本身的缺陷以及相关算法不够完善等各种因素使得在点云分割与目标识别过程中仍然存在着点云分割鲁棒性差、特征描述不准确、相似物体识别率不高等问题。因此,研究场景点云的有效分割和点云特征的准确描述是提高目标识别效果的重要内容。针对当前室内场景目标识别研究中分割算法鲁棒性差和特征描述不准确、不全面造成的识别率较低的问题,本文对室内场景三维点云的有效分割和点云特征的准确描述进行了深入研究,主要工作如下:首先,根据采样点与其邻域点之间的法向和颜色信息,构建了基于局部凹凸感知和颜色矩马氏距离联合准则的相邻点不相似度判断模型,提出一种基于联合准则改进的图论分割算法,解决了传统算法单纯依靠法向差或颜色差异进行分割导致的分割结果对噪声或颜色变化过于敏感的问题。通过利用不同点云数据进行分割实验,验证了联合准则分割算法的有效性,同时为后续点云特征描述与提取奠定了基础。其次,针对快速点特征直方图在大幅提高运算效率的同时容易受噪声点和相距较近的异特征点影响的问题,提出了一种基于采样点与其邻域点间微分几何一致性的点云局部有效邻域选取方法,对快速点特征直方图邻域点选取过程进行改进;在考虑采样点与邻域点间距离的基础上,将点间法向差异和邻域点到采样点切平面的距离纳入到邻域点判断过程中。实验结果表明,基于局部有效邻域改进的点特征直方图相比传统快速点特征直方图特征描述效果有较为明显的提高。最后,在对快速点特征直方图进行改进的同时,计算点云的颜色等其它特征,将多类特征重新并行组合为一个新的特征向量对点云特征进行描述,克服单一类型特征的局限性,使特征描述更全面、更有效。同时选取适当点云数据集,基于支持向量机算法设计室内场景点云分割块识别实验,通过对不同特征描述下分割块识别结果进行比较,验证了目标识别方法的有效性。