物体识别是计算机视觉和模式识别领域基础而重要的研究方向。物体识别技术对于许多计算机视觉研究和应用具有极为重要的作用,比如服务机器人目标识别系统、智能化监控设备和智能化交通识别系统等等,是现在各大领域着重研究的一个热点问题。近年来,基于RGB图像的物体识别已经有了比较成熟的研究,然而由于缺少物体的空间信息,物体识别效果并不是很理想。随着微软推出了新一代摄像机Kinect,可以同时获取物体的二维彩色图像(RGB)和距离信息(Depth),研究者能够通过物体的三维信息(RGB-D)对物体识别进行进一步的研究。本文基于Kinect获取的RGB-D信息来研究物体识别技术,针对RGB-D物体识别相关研究过程中特征融合未能充分利用RGB-D优势、物体识别精度不高等问题,提出了一些改进方法和措施。本文的主要研究内容如下:(1)由于现有的人工特征提取方法存在通用性较弱、特征构造成本较高等问题,本文采用改进的分层特征学习方法来分别提取RGB特征和深度特征。该方法首先运用KSVD字典学习算法、稀疏编码和空间最大池化等方法提取图像的底层特征,然后对底层特征继续运用以上方法进行处理,得到图像的高层特征。(2)现有的绝大部分特征融合方法都是简单的将RGB特征和深度特征进行串联得到综合特征后进行分类识别,并没有对两种模态信息区别对待,无法充分利用RGB-D的优势。本文提出了基于SVM的多模态特征融合算法,根据不同模态特征对最终识别结果的贡献大小为它们分配不同的权重系数,为贡献较大的模态特征分配较大的权重,为贡献较小的模态特征分配较小的权重,然后进行融合得到更有表达能力的综合特征,充分利用了 RGB-D的优势。并且提出了运用模拟退火算法和最小二乘法拟合方法优化求解权值参数和最终分类识别率。(3)结合分层特征学习方法和基于SVM的多模态特征融合算法,提出了基于分层特征学习和特征级融合的RGB-D物体识别方法。通过在标准RGB-D数据集上进行实验,实验结果表明本文提出的方法比现有的其它方法能够得到更高的物体分类识别准确率,验证了本文方法的有效性。