近年来三维扫描技术得到了飞速发展,点云数据的获取变得方便快捷。由于点云具有物体深度信息,越来越多的学者开始关注使用点云进行物体识别。在对国内外研究现状进行总结和研究后,论文对固定、非固定场景分别提出两种识别算法,针对点云滤波、法线计算、关键点提取、特征描述、特征匹配等多方面提出改进,通过与常用识别算法进行大量对比实验验证本文识别算法的准确性、鲁棒性。论文首先介绍本课题的研究背景、意义、常见应用,详细描述了三维点云识别技术发展的现状、技术难点、应用前景,介绍点云表示方法、获取、预处理等,介绍基于模型的点云识别过程中的几个阶段,包括查找关键点、特征描述符、特征匹配、求解变换矩阵。论文针对非固定场景中的点云识别,提出了基于体素形状描述符的点云识别算法,改进法线估计算法,在点云中通过邻域法线信息查找关键点,通过体素形状描述符进行特征描述,采用改进后的霍夫投票算法识别场景点云中的物体。在使用局部特征的同时,有效融合全局信息,提高识别算法的速度和精度。最后通过基于模拟退火的假设验证算法提高召回率。论文针对固定场景中的点云识别,提出了基于局部曲面特征直方图的点云识别算法,采用循环体素滤波将点云滤波到指定分辨率,对场景点云进行欧式聚类,使用局部曲率均值查找关键点并用局部曲面特征直方图描述关键点,使用关键点间的位置关系进行特征匹配,根据重叠率判断识别结果。由于采用分块识别,大幅降低识别难度,具有较高的准确率、鲁棒性。最后,本文算法在VS2017环境下进行实现,通过与常用点云识别算法进行对比实验,验证本文点云识别算法的准确性与鲁棒性。