在机器人操作和目标抓取应用中,传统的三维目标跟踪、目标识别和姿态估计等算法是基于点特征实现的。当图像中包含大量的背景信息和噪声时,或者目标缺少纹理信息时,基于点的方法面临严重挑战。然而自然场景中的人造目标包含了大量的能够很好地反映目标结构信息的直线、面和轮廓等几何特征,相比于点特征,这些特征对目标表面纹理分布,光照,噪声等鲁棒性更强,对于目标部分遮挡或者由于光照影响部分不可见具有一定的鲁棒性,能有效提高目标识别率、目标跟踪、目标三维重建以及目标姿态估计准确率。本文系统地研究了直线段特征提取与匹配,轮廓特征提取与匹配,平面特征提取,以及基于几何特征的三维目标识别。论文的主要工作和研究成果有:(1)设计了一种直线段检测算法,首先利用Canny进行边缘检测,然后将边缘在曲率大的地方进行断开并进行直线拟合,最后进行直线合并。相比于传统的直线检测算法,该方法对Canny变换的参数设置不太敏感。(2)提出了一种基于局部灰度信息和全局拓扑信息的直线段匹配算法,该算法对于纹理不丰富或者纹理分布一致目标(场景)具有很强的鲁棒性。通过与当前比较流行的直线匹配算法进行对比,显示了本文所提算法对各种图像变化具有更强的鲁棒性。(3)提出并实现了一种基于样本点残差分布和J-linkage聚类的多平面检测算法。该算法不需要已知目标所含平面个数的先验知识,可以将匹配点序列或者匹配直线序列作为算法输入。(4)研究并实现了基于SD图(Solid-Dashed Graph)的闭合轮廓检测算法,实现了复杂背景和强光干扰条件下目标轮廓的提取;研究并实现了基于AMTAR(Average Multi-Triangle Area Representation)的轮廓匹配算法。(5)提出并实现了基于双目的三维目标识别算法,该方法通过已经标定的两个摄像机对目标特征点进行三维重建得到深度信息,并将其作为附加信息引入到对特征点的表达中,同时利用Ferns进行关键点的分类,从而完成对三维目标的识别。