随着各领域不断增长的应用需求,3D点云成像传感器的广泛使用,对点云数据进行自动化处理的需求日益迫切,研究基于点云数据的目标识别方法具有重要的理论意义和实际价值。特征提取是目标识别的关键问题,考虑到传统的点云目标识别方法具有较为完善的理论基础,而当前的深度学习方法又开始往点云目标识别邻域延伸,因此本文对基于传统描述子的点云目标识别和基于深度学习方法的点云目标识别问题进行了研究。主要完成的工作如下:1、首先对点云目标识别方法、流程等进行了综述,着重介绍了六种使用较为广泛的全局和局部点云特征描述子,并基于公开数据集对这六种描述子从多个方面进行了性能对比。2、由于场景中可能的遮挡和错误分割都将使得目标点云发生部分缺失,并将进一步影响全局描述子的识别效果,而基于局部描述子的识别又难以实时完成,因此本文提出一种模拟遮挡的、结合局部与全局信息的点云目标识别方法,提高了点云目标识别效果。本方法在给定待识别目标CAD模型的条件下,首先获取模型在多个不同视角下的点云,然后对每幅不同视角下的点云,选定多个方向,在每个方向上将点云切分为多层。每个CAD模型都将获得多个点云块,考虑到这其中可能存在许多重叠度较高的冗余点云块,基于ICP算法去除部分冗余信息,在较好保证识别率的前提下有效缩减了模型库规模。在公开数据集上的实验结果表明该方法可获得较高的目标识别率。而且本方法主要针对离线阶段进行,因此不影响在线识别阶段的识别效率。3、由于目标中不同的3D点对于最终的识别结果具有不同的贡献程度,不同的3D点分辨力也不同,一些处在目标边缘的3D点对识别应该更有帮助。而当前的一些点云处理网络使用最远点抽样的方法获取目标关键点,受到用于图像分类的注意力模块的启发,本文针对点云的无序性问题对这些模块进行相应的修改并融合进入现有的点云处理网络结构中,对关键点中的边缘点给予一个更大的权值进而提升网络识别性能。在公开数据集上的实验结果验证了本文方法的有效性。