计算机视觉一直以来都是人工智能领域内一个十分重要的课题。目标识别和三维重建作为计算机视觉中的两个主要任务被广泛应用于机器人学、目标追踪、场景理解以及导航制导等课题中。二维图像处理技术因为结构化的像素信息等优势被广泛应用且得到了长足发展。但是,也显现出了很多局限性,例如易受光照和尺度变化的影响等。因此,携带着深度信息,且获取技术越来越方便的三维图像得到了重视。点云是三维图像中最常见的表示方法。加强对点云数据的研究可以为更好的处理三维信息打下基础。鉴于此,本文开展了对三维点云特征描述、基于点云的三维目标识别和三维重建技术的深入研究,主要工作如下。首先,从点云描述、目标识别和重建三个方面介绍了三维图像处理技术的研究意义和研究现状。总结了现有的主流点云特征描述子和识别重建算法的优势所在和不足之处,并详细地介绍了三维点云的获取和预处理技术的算法原理以及应用场景,包括多种点云的法向量估计、滤波和分割技术。其次,本文在点云特征描述方面提出了一种Frame-SHOT复合型特征描述子。其中,局部子特征使用目前被广泛认可的性能优越的Signature of Histograms of Orientation(SHOT)描述子来描述,而全局子特征使用物体的框架结构点集分布信息来表征。此算法结合了传统的局部和全局特征描述子的优点。并在Bologna数据集上进行了参数选取和特征描述子匹配实验,验证了此方法的强鲁棒性和强描述性,为本文后续章节的研究内容提供理论基础。然后,本文在三维目标识别方面提出了基于Frame-SHOT描述子的复合型识别框架。并在Kinect数据集和Challenge数据集上分别与现有主流描述子进行了识别性能的对比。验证了此框架的有效性和Frame-SHOT描述子的高性能。最后,在三维重建方面,本文提出了基于Frame-SHOT描述子的重建框架。依据此描述子筛选合适的特征点作为对应点集,逐步完成多角度点云间的配准。最终呈现出目标物的三维结构、表面纹理信息以及空间尺度信息。并在公共数据集和实验室采集的点云数据上验证了上述算法的实用性。