三维点云数据包含了物体的几何形状、深度等信息，与二维图像数据相比，其拥有着更加丰富的物体特征信息。随着三维传感器的出现和数字硬件运算性能的提高，基于三维点云数据的算法在机器人导航、模型重构、实时建图与定位等领域逐渐得到了应用。现有的3D点云目标识别算法主要分为局部特征识别算法和全局特征识别算法，基于局部特征的算法对场景的遮挡更具鲁棒性，但计算速度相对较慢;基于全局特征的算法将物体分割后作为整体来进行处理，具有速度快的优点，但准确度往往没有局部特征匹配算法高。针对上述两类算子的问题，本文基于开源PCL点云库，结合室内场景中的点云物体数据提出了优化的点云目标识别算法，并在课题组设计的服务机器人系统上进行了实验研究。本文的主要工作如下:　　首先搭建了点云读取以及采集框架，利用直通滤波和统计离群点滤波对采集到的点云图像进行预处理，滤除了点云场景冗余数据以及点云物体边缘噪点。同时利用RANSAC分割结合欧式聚类分割算法提取了多视角下实验室常见物体的点云模型，并通过计算模型的VFH和CSHOT特征描述符，构建了物体的点云模型数据库。　　其次为了提高点云目标识别算法的识别率，增强算法鲁棒性，研究了一种将CSHOT算子与VFH算子相结合的点云目标识别算法(CSHOT-VFH)。算法先利用VFH特征对点云目标进行快速估测与识别，然后进一步利用CSHOT特征进行精确识别，采用VS2013编程环境配合PCL函数库对算法进行了仿真分析。结果表明，算法在复杂场景下与传统VFH特征描述符匹配算法相比，识别率提高了约10％，在目标部分遮挡下算法也具有较高的识别率，提高了算法鲁棒性。　　最后基于VS2013+Qt开发了点云目标识别系统，并结合了点云特征融合识别算法在课题组设计的“ZZU runner1.0”移动服务机器人做了相关的应用实验，进一步验证了算法的有效性。