三维物体识别是计算机视觉领域中的一个重要分支，也是长期以来人们争相研究的热点。该热点研究与生活中许多“智能”方面的研究，例如智能机器人、智能视频监控系统等密切相关，具有十分重要的研究意义与应用价值。然而，在三维物体识别的过程中，由于拍摄的角度或者物体摆放的位置不同，计算机获得的三维物体表面纹理往往发生形变或者缺失。这使得有效信息大大减少，从而导致无法获得较高的识别准确率。因此，寻找一种能够准确识别三维物体表面纹理的方法是目前物体识别研究工作中的重点内容。近年来，Kinect等能够同时获得物体颜色和深度信息的设备的出现，引起了基于RGB-D图像研究的热潮，同时也成为三维物体识别研究的有利工具。本文正是借助Kinect传感器获得的信息，开展了基于RGB-D的三维物体连续表面纹理重建的创新性研究，实现了对发生形变的表面纹理的恢复。此外，考虑到距离度量学习对K近邻等分类算法准确率的影响，本文将距离度量学习引入到三维物体表面纹理识别的研究中。文中首先系统地研究了几种常见的距离度量学习算法、度量方式以及分类算法。接着，使用混合高斯模型、区域生长等方法进行了基于RGB-D图像的三维物体表面纹理重建研究，为后续的纹理识别实验提供了样本数据。之后，以Outex等多个公共纹理库中的纹理图像为研究对象，分别使用支持向量机、普通K近邻法以及结合不同距离度量学习算法的K近邻法对其进行识别，并对各实验结果做了对比、分析。最后，将识别准确率最高的ITML-KNN算法应用于重建后的三维物体表面纹理识别实验中，得到了理想的实验结果。