目标识别是计算机视觉领域研究的一个重要分支,是近几年来研究的热点。它拥有着广阔的应用前景,例如送餐机器人,智能物流小车,无人机送餐等,具有潜在的商业价值。近年,随着三维数据获取技术的迅速发展,获取方式的多样化,基于三维数据的目标识别、三维重建等已成为国内外众多学者和专家的研究重点。本文正是在这股研究热潮的推动下开展了基于三维点云数据的目标识别的研究,本文中的点云数据是通过德州仪器的Tintin获取的。本文主要从点云去噪、点云分割以及边界提取方面对目标三维点云数据进行创新性的研究。在去噪处理时,针对直通滤波算法同时处理多个维度存在的局限性,本文提出了改进的直通滤波算法,该改进算法实现了同时处理多个维度,与原算法相比,缩短了处理点云数据的时间。传统的点云分割算法对本文中点云数据不能很明显的分割出目标物体和其他物体,所以提出了改进的欧氏距离的点云分割算法。在点云数据的边界提取上,基于微切面的点云边界提取算法提取的边界存在不连贯性,针对这个情况,本文对该算法提出了改进,将采样点及其K邻域的点云数据在Z=0这一平面进行投影,然后利用边界的特点,对投影后的点云进行边缘的检测和提取。通过实验,在滤波阶段,与原直通滤波算法相比改进的滤波算法在对单个点云文件进行处理时,运行时间减少了20ms;在点云分割处理阶段,改进的分割算法准确地提取了物体目标的点云数据;在边界提取上,改进算法改善了原算法边界提取的不连贯性。