近年来,我们的生活中随处可见人工智能相关产品。智能的机器人可以完成许多操作,从而解放人们的双手,这是未来的发展趋势。三维点云包含空间位置信息和物体的几何结构信息,相对二维图像有着天然的优势。近几年,点云相关研究成为了人工智能领域中的热门方向。点云室内目标检测是室内机器人解析周围环境信息的一种技术,相当于赋予了室内机器人看清物体的“眼睛”,具有重要的研究意义。本文对三维点云室内目标检测进行了研究,研究内容如下:首先,现有三维激光雷达都是以固定分辨率扫描的。在未知场景中,以固定分辨率的扫描方式采集数据,对于复杂物体可能无法捕捉其细节信息,对于简单物体采用过高的分辨率会造成的数据冗余。本文基于二维激光雷达和旋转云台,搭建了一个能根据场景中物体复杂度采用不同分辨率扫描的三维点云扫描平台,在捕捉复杂结构和减少数据量之间取得了平衡。其次,当前有许多关于点云目标检测的研究,但这些研究大多适用于室外环境。室内目标相对于室外目标的检测难点在于体积较小且细节较多。而点云数据具有稀疏性,不利于检测小型目标。为了提高室内目标的检测精度,提出了一个基于语义特征的Vote Net改进网络。首先,在Vote Net基础上添加了一个能有效提取语义特征的前置网络,通过将提取到的语义特征与几何特征进行融合,得到更有效的特征块用于目标检测。其次,通过在Vote Net投票簇生成阶段添加语义约束,一定程度上解决了Vote Net投票簇中点的语义非一致性问题。在公开数据集Scan Net上进行实验,实验证明本文提出的改进网络在检测室内目标时拥有比Vote Net更高的检测精度。最后,为了实现完整的点云室内目标检测系统,将基于语义特征的Vote Net改进网络用于对本文点云扫描平台获得的点云数据进行目标检测。实验证明,本文提出的改进目标检测网络能够从本文点云扫描平台获得的点云数据中检测出目标。