目标识别是根据目标成像得到的特征信息来估算目标的大小、形状、重量和表面层的物理特性参数,最后在分类器中进行分类识别的一种技术。但是以前的目标识别技术只能通过回波信号的强度信息对目标形状进行识别,无法给出目标的多维信息,使得识别容易出现大的识别误差,且高斯光束无法实现目标表面粗糙度识别。本论文提出基于粗糙表面对涡旋光束漫反射的特性实现对目标表面粗糙度的识别,涡旋光束不同于高斯光束,其携带轨道角动量,经目标粗糙表面漫反射后角谱分布发生变化,而自然界的背景噪声不含有轨道角动量,对涡旋光束影响较小,从而能够实现目标表面粗糙度的识别,该识别手段不仅能实现目标材质的分类,还能提高目标识别的维度,从而提高目标识别准确率。本文根据Nayar和Oren提出的漫反射模型对平面目标的粗糙表面进行理论描述,然后采用3阶LG（Laguerre-Gaussian,拉盖尔—高斯）光束作为入射光束,并用菲涅尔—基尔霍夫衍射理论描述涡旋光束的传播过程,建立了涡旋光束经自由空间传输照射到平面目标表面上,经粗糙表面漫反射后,再经自由空间传输到探测器接收的理论模型。本文从轨道角动量阶数占比、Hurst指数、灰度共生矩阵三个方面对回波信号进行特征提取,结果表明在一定粗糙度范围内,回波信号中原轨道角动量的占比与粗糙度呈线性关系,通过角谱分布可以实现3种粗糙度表面的识别,Hurst指数和灰度共生矩阵的四个特征值与粗糙度呈单调关系。通过线性模型和多层感知机模型对得到的特征数据进行训练分类,实现了目标表面粗糙度的初步识别。本文分析了两种形式的背景噪声对涡旋光束经粗糙表面漫反射后的光场分布特性的影响,一种是背景光直接照射到探测器的接收平面上,另一种是背景光同样经粗糙表面漫反射后照射到探测器的接收平面上。最后仿真得到两种形式的背景噪声对目标表面粗糙度识别准确度的影响程度。此外,本文还采用卷积神经网络对10种粗糙度表面进行了分类,采用Res Net18网络结构进行训练学习,最终仿真得到了0.906的识别准确率。