激光成像雷达是一种三维立体传感器,与传统二维平面传感器(如被动红外、可见光CCD等)相比,能同时获得反映目标材质特性的强度像和反映目标表面空间结构的三维几何距离像,统称为四维像,即三维距离像+一维强度像,提供了丰富的目标信息,在提升目标识别率能力方面是一革命化进步。为充分挖掘激光雷达三维目标识别能力,本论文围绕三维目标点法向量展开点云模型匹配算法研究,提出一种采集图像直接与三维模型进行匹配的识别算法,通过采集多视角激光雷达距离像,实现三维模型重建,建立匹配模型库;对采集距离像进行姿态估计,转换目标位姿,实现粗匹配;最后采用迭代最近点(Iterative Closest Point,ICP)算法完成目标与模型的精匹配,达到识别目的。本算法主要包括三维模型重建、点法向量姿态估计和ICP匹配三部分,其中点法向量姿态估计是核心研究内容,也是实现三维模型直接匹配的关键技术。首先研究了三维模型重构算法,主要包括数据配准和数据整合两部分。在数据配准中,针对手动设定伪点对筛选阈值所引起的配准精度下降问题,提出了一种改进ICP算法(IICP),利用目标三维距离像中多种表面类型之间的分类比较进行自动获取筛选阈值,并与已有的改进ICP算法进行了比较,实验结果表明,IICP算法提高了数据配准精度;在数据整合中,针对点邻域判别(Point Neighborhood Discrimination,PND)法中手动选取检测阈值所引起的整合精度下降问题,本文提出了一种优化算法(IPND),利用配准后的三维点云模型中局部点密度方差的分布特性进行自适应地确定检测阈值,经实验验证,IPND算法能够得到无重叠、无空洞的整合结果,优于PND算法。其次,针对任意姿态的刚性非铰接式目标识别问题,提出一种基于三维点法向量姿态估计(PEPPN)的距离像模型匹配识别方法,通过对目标三维距离像的点法向量估计、引入点弯曲度特性进行平面点法向量过滤、自适应K-means聚类算法进行平面点法向量分类、用聚类中法向量之间夹角和最小的法向量作为聚类代表法向量、以及用聚类代表法向量确定目标坐标系各坐标轴方向向量的一系列方案,实现目标三维姿态估计,达到粗匹配的目的,再通过ICP算法完成精匹配。分别从测距精度、信噪比和遮挡率三方面验证了识别算法性能,结果表明,姿态估计精度和识别率随测距精度、信噪比提高而提高,对遮挡有一定的抑制作用。最后,针对任意姿态的刚性铰接式目标识别问题,提出了一种基于目标各部分姿态估计的三维模型匹配识别方法,本方法通过PEPPN算法估计目标主体部分三维姿态、点直方图分布特性分割目标主体和铰接部分、铰接部分三维几何特性(点直方图分布、点距离度量、直线特性)分解铰接子部分及估计相应姿态,完成目标各部分到规范姿态的变换,实现粗匹配及精匹配的目标识别。本论文提出的方法通过姿态角估计实现了距离像与三维模型的直接匹配,完成了任意姿态下的三维目标识别问题,降低了算法复杂度,达到了较高的目标识别率,具有良好的应用前景。