利用二维图像序列来重建场景目标的三维结构一直是计算机视觉领域重要的研究内容，相比二维图像，三维数据能让人们更直观地理解目标的空间几何信息。三维目标重建与识别是三维场景理解的关键技术，是计算机理解世界并与世界交互的基础，被广泛应用于虚拟现实、增强现实、智能机器人和影视游戏等领域。本文从三维目标重建与三维目标识别两个方向开展研究，具体工作可以归纳为以下几点：
　　目前，运动恢复结构利用一系列二维图像通过手工设计特征提取的方法对场景目标进行三维结构重建，但在面对弱纹理或者光照变化的目标时，目标重建容易出现空洞、信息丢失等问题。针对该问题，本文提出一种基于多尺度特征融合的全卷积网络深度图预测新算法(FCNMFF)。新算法引入特征金字塔网络的思想，采用多尺度学习的策略估计得到了空间结构细节信息更丰富的深度图像。最后本文利用新算法估计得到的深度图进行融合重建。实验结果证明该方法可以有效地解决弱纹理目标的三维重建问题。
　　三维目标重建的最终目的是实现目标的识别分类。在三维目标识别方面，本文基于三维数据的多视图表示，提出一种基于循环神经网络的多视角特征融合算法(MRLSTMW)，该模型利用循环神经网络构建多视角图像之间的关联信息，最后利用Weighting方式进行多特征融合，生成三维目标形状描述子，从而充分挖掘了多视角图像之间的关联信息。实验结果证明新算法比一些前沿的三维目标识别算法识别正确率更高。
　　最后，在三维目标识别实验中，本文提出了基于多视图深度估计和混合视图融合的三维目标识别方案，进一步提高了三维目标识别率。