三维点云目标识别是机器视觉与智能检测领域中的核心任务,也是近年来工业机器人自动拾取的关键技术。本文针对当前特征描述算法对含噪点云描述能力弱、识别精度低的问题,提出了一种基于局部点对特征的特征描述算法;针对基于特征向量欧氏距离匹配特征点的误匹配剔除问题,提出了一种用于匹配筛选的简化渐进一致性算法;针对经典最近点迭代（Iterative Closest Point,ICP）识别算法易陷入局部最优,且效率低的问题,提出了一种基于局部点对特征与ICP的点云识别算法。本文算法较比传统算法在精度、效率上均有显著提升,可实现对工业构件的准确识别。本文主要研究内容如下:（1）针对经典点对特征描述算法在处理含噪点云时存在鲁棒性差、计算量大的问题,提出了一种基于局部点对特征的特征描述算法。该算法通过计算特征点局部范围内的点云几何特征参数,对特征参数进行直方图统计构造了特征描述子,并确定了该描述子的最佳直方图分布。描述性对比实验表明,所构造描述子对含噪点云空间差异的描述能力更强,优于同类算法。（2）针对基于特征向量欧氏距离匹配特征点的误匹配剔除问题,提出了一种用于匹配筛选的简化渐进一致性算法。该算法首先运用旋转不变量偏差筛选得到假设生成集并预估位姿变换参数,然后利用该参数检验其它特征点匹配的正确性,将满足阈值条件的匹配关系加入到假设生成集中得到最终匹配结果。匹配实验表明,利用该算法计算出的位姿参数更为精确,可有效降低点云识别的误差。（3）针对经典ICP识别算法易陷入局部最优,且效率低的问题,提出了一种基于局部点对特征与ICP的点云识别算法。该算法运用局部点对特征并通过特征匹配完成点云粗识别,为ICP算法提供良好的旋转及平移矩阵初值。粗-精识别实验表明,本文算法可有效降低模型点云与场景点云之间的识别迭代次数与位姿识别误差。工件识别对比实验表明,本文算法在识别时间与识别精度上均优于同类算法。