环境感知理解作为计算机视觉领域的重要分支,其目标是让人工智能可以像人一样感知环境信息并进行交互。为了增强人工智能的环境感知理解能力,非侵入性和非接触性的材质分类方法成为环境感知理解领域的研究热点。目前,材质分类方法可以分为基于视觉外观的方法和基于光学响应特性的方法。基于视觉外观的材质分类方法容易被相似外观物体的纹理和颜色所影响,从而导致材质分类精度降低。基于光学响应特性的材质分类方法可以细分为基于材质反射特性的分类方法和基于光学响应畸变的分类方法,其中,基于材质反射特性的分类方法受限于材质反射特性建模的准确性。当环境光出现变化时,采集的特征与材质反射特性模型出现差异性,最终导致分类精度下降。基于光学响应畸变分类方法的分类精度依赖于光学响应畸变特征建模的准确性,在建立材质特征模型时,需要考虑形状、抛光度、温漂效应和高阶谐波等因素对于光学响应畸变特征建模准确性的影响。因此,目前需要一种不会被物体外观信息和环境光等因素影响,并且可以精确建立材质分类特征模型的分类方法。本文通过分析脉冲型时间飞行（Time-of-Flight,ToF）深度相机成像原理和光子累计模型,建立基于脉冲型ToF深度相机成像模型的材质分类特征模型,提出针对脉冲型ToF深度相机的材质分类方法,实现了物体高精度的材质分类。本文完成的主要研究内容与成果如下:（1）通过分析脉冲型ToF深度相机成像模型,提出基于双向反射分布函数（bidirectional reflectance distribution function,BRDF）的材质分类方法,解决了平面相似外观物体的材质分类问题。该方法将材质BRDF特征作为分类特征值,将不同反射光角度的特征值组成材质BRDF特征向量。根据特征向量的非线性特性,设计径向基神经网络作为分类器,对平面相似外观物体的分类精度为94.6%。（2）通过分析场景反射光的组成,提出基于反射点扩散函数（reflection point spread function,RPSF）的材质分类方法,建立由表面直接反射,次表面散射和表面相互反射组成的特征模型,解决了相似外观凸曲面物体的材质分类问题。通过分析物体的表面相互反射特性,设计优化算法,消除表面相互反射对于材质特征建模精度的影响。建立材质RPSF特征平面,根据其非线性的特性,设计支持向量机的材质分类器,对凸曲面物体的材质分类精度为92.8%。（3）通过分析光子累积模型,提出基于光子累积点扩散函数（photon accumulation point spread function,PAPSF）的材质分类方法,解决了具有相似外观、不同抛光度的凸曲面物体材质分类问题。该方法将光子累积点扩散函数作为材质分类特征,其包含三个特征分量,分别是距离值畸变特征、直接反射光子累积量特征和间接反射光子累积量特征。对上述三个特征分量分别建立特征平面,利用距离值畸变进行材质分类,并利用直接反射光子累积量和间接反射光子累积量进行物体抛光度分类,对相似外观、不同抛光度凸曲面物体的分类精度为90.2%。