目标识别是计算机视觉领域的一个重要研究方向。在过去的几十年中,二维图像识别已经被广泛研究,并且取得了丰硕成果。与二维图像相比,三维点云不受光照强度、旋转变换以及尺度变化的影响,同时可以提供更加丰富的几何信息,使得三维点云识别能够更加精确的估计物体的位姿。此外,随着数据采集设备的不断发展,也使得获取点云数据更加容易。基于这些优点,三维点云目标识别已经逐渐成为研究热点,并已广泛应用于各个领域。本文在对前人工作进行大量研究的同时,针对识别的准确率、效率以及对噪声的鲁棒性问题,总结设计了两种有效的三维点云目标识别算法。论文首先对点云目标识别技术的研究背景、应用前景以及国内外研究现状做了简要介绍。明确点云识别的概念,详细介绍了点云的获取方式、点云的预处理以及点云识别过程中所需要的相关理论基础知识,为后续的识别工作奠定基础。其次,本文在分析了二维图像中的霍夫变换以后,将其扩展应用到三维空间,设计了一种基于霍夫投票的三维目标识别算法。首先通过均匀降采样对原始数据进行精简,然后设计了基于法向量投影均值的关键点提取算法,结合SHOT特征对关键点进行描述,并依据描述符之间的几何关系确定点对之间的初始对应关系,设计三维霍夫空间投票策略剔除错误匹配关系,完成目标识别,并用立方体包围盒框选出目标物体。最后为了方便人机交互,基于Qt设计了三维物体识别人机交互界面。然后,在前人的基础上设计了一种基于关键点的点对特征三维目标识别算法。首先使用体素栅格法对原始点云数据进行降采样,接着利用分布较为分散的ISS关键点提取算法提取关键点。利用关键点集合构建点对特征,量化存储在哈希表中以构建全局描述符,在二维空间中,使用快速投票方案对模型点云和场景点云进行匹配识别,最后利用ICP对物体姿态进行优化。此算法融合了基于点对特征的全局模型描述符和基于快速投票方案的局部匹配方法,无需对场景进行分割。关键点的提取,减少了点对特征的搜索范围,提高了识别效率并有效的抑制了噪声干扰。最后本文在VC++环境下,对提出的不同算法在多个数据集以及真实场景下进行了综合实验,验证了本文提出的各类方法具有可行性和有效性,且对噪声的鲁棒性较强,具有一定的实际工程应用价值。