机器人抓取是智能化机器人系统的集中表现,而目标识别作为机器人抓取的核心步骤,一直是机器人领域的研究热点。随着计算机算力与传感器成像质量的不断提高,在结构化环境中基于简单二维图像的目标识别与抓取得到了广泛深入的研究,相关技术已逐步趋于成熟。然而随着社会对机器人智能化需求的不断提升,仅使用二维信息来表征复杂环境中三维物体,不可避免的会出现信息损失,使得机器人难以实现在非结构化环境中对于多目标物体的高精度抓取。相比于二维图像,三维点云具有可以获得模型场景的深度信息,并且不受光照与视点影响等优势。受益于近年来点云获取技术与计算机运算能力的不断提高,针对点云的视觉与抓取研究成为了机器人领域新的热点。而基于点云的目标识别与机器人抓取,依然是一个极富挑战性而且具有重要研究价值的问题。鉴于此,本文从三维点云出发,针对抓取中的模型与场景表征问题,提出了一种高性能的特征描述子,点对特征直方图（Histogram of Point Pair Features,Ho PPF）;并基于此开发了一种特征二值化算法B-HPPF（Binarized Ho PPF）。然后,针对抓取中的目标识别问题,进一步提出了基于上述描述子的两种三维目标识别算法,并在此基础上开展了多目标物体的机器人抓取研究。更具体的,本文在点云特征提取、三维目标识别、机器人系统标定和多目标识别抓取方面取得了如下进展:1、在点云局部特征提取方面,首先提出了一种点对特征直方图（Ho PPF）描述子,其在鉴别力、鲁棒性与计算效率方面取得了优越的综合性能,其对应的RPC曲线的AUC值可以达到0.9070,比实验基准线高出了0.5105;接着,为了满足机器人端对于内存要求与匹配速率的严格限制,基于Ho PPF开发了一种特征二值化方法,提出了二进制点对特征直方图（B-HPPF）描述子,进一步提高了描述子在特征匹配效率与结构紧凑性方面的性能。该描述子的紧凑性参数为3.75,比经典的实值描述子提高了近15倍,比其余二进制描述子提高了近3倍;在局部邻域内的提取时间为0.1056秒,速度相比其余描述子快了近15倍。2、在三维目标识别方面,基于描述子Ho PPF与B-HPPF开发了两种三维目标识别算法:基于随机采样一致性的目标识别方法与旋转质心聚类的目标识别方法。然后在各个权威数据集上与经典的描述子进行目标识别准确率与姿态估计精度的性能对比实验,对应的目标识别分数1F（28）0.9865,准确率可以达到92.25%,旋转误差为0.5168°,平移误差为1.152mr（模型分辨率）,验证了所提算法的有效性与实用性。3、在机器人抓取系统标定方面,本文提出了一种机器人双臂基坐标系的标定方法,标定后双臂的精度为0.5210mm;提出了一种像素平面手眼标定方法以及一种点云空间手眼标定方法,手眼标定的精度为1.075mm;准确的标定结果为机器人抓取提供了可靠的数学基础。接着,基于上述算法开发了一款标定软件,集成了手眼标定与双臂标定,完成了标定过程的数据可视化,使得相机与机器人的标定环节简单可靠而且稳定易操作。4、在机器人多目标识别与抓取方面,首先运用所提出的Ho PPF与B-HPPF描述子和三维目标识别算法,实现了在点云空间中的多目标识别以及姿态估计;接着,基于简单二维图像信息,开发了高效的旋转点集投影的堆叠物体检测算法以及拟合射影坐标的形心校准算法,算法的平均运行时间为0.102秒,堆叠检测的运行成功率可以达到100%;然后,综合上述算法开展了多目标物体的机器人抓取研究,实验结果显示对于单目标物体、无堆叠物体和有堆叠物体的抓取成功率分别为:96.7%,97.8%与90%。