近年来,三维点云作为一种新兴的物体表征方式,因其简洁性以及强大的表达能力,开始被广泛应用在三维目标识别的研究领域中。然而,由于采集的原始三维点云数据易受扫描设备固有特性等因素影响,本身不可避免地会引入噪声。因此,很有必要对原始三维点云数据进行滤波操作从而为后续识别任务提供高质量的点云模型。另一方面,三维点云特征描述作为识别任务中另一个至关重要的步骤主要包括人工设计和深度学习特征两大类。目前人工设计特征在整体上识别性能并不理想,提升空间大。虽然深度学习技术的快速发展带来了新的机遇和突破,但三维点云数据自身的特点决定了采用深度学习技术进行三维点云特征学习是一个十分具有挑战性的问题。因此,采用何种策略以及如何提取有意义的特征仍然是最值得研究的问题。基于此,本文将围绕着三维点云目标识别任务中的滤波处理以及特征描述两大问题展开研究,主要研究内容和创新如下:（1）针对三维点云滤波算法计算效率的问题,本文提出一种引导三维点云滤波算法。该方法的基本思想是充分利用三维点云模型中点的空间位置信息推导出关于引导点云（原始输入点云）和滤波处理后的点云之间的一个线性模型,采用最优化策略最小化所定义的代价函数计算得到线性模型的系数,获得滤波点云模型。实验结果表明,该算法在成功移除噪声的同时也极大提升了计算效率,显著优于许多主流的滤波算法。同时,在基于三维点云目标识别任务中,该算法对于提高特征描述符的表达能力、提升识别性能起到了积极的作用,适合实时三维目标识别任务。（2）针对不同级别噪声特别是高级别噪声的滤波问题,本文引入迭代的思想并基于三维点云的法线信息,提出了三维点云迭代引导法线滤波算法。该方法首先采用改进的主成分分析方法估计点云模型中每个点的法线信息。然后,将迭代思想结合至基于点空间信息和法线信息所定义的联合双边滤波器中,在法线域迭代执行该滤波器。即在每一轮迭代过程中,均以上一轮滤波得到的法线域作为当前迭代过程的引导法线域。最后,采用改进的点更新策略调整点云模型中点的位置以匹配滤波处理的法线。实验结果表明该算法简单、有效并且对高级别噪声具有良好的处理能力。其在基于三维点云的目标识别任务中能够为特征描述能力的增强、识别性能的提升奠定基础,适合对点云质量和精度要求较高的三维目标识别任务。（3）针对传统人工设计特征描述能力对点云目标识别性能影响的问题,在充分分析了基于局部和全局的点云特征描述符优势的基础上,本文提出Local-to-Global点云特征直方图描述符（简称LGH）,包括局部视角特征直方图和局部形状函数组合描述符。这种类型的LGH描述符依赖于由三维点云关键点检测算法提取的关键点及其邻域确定的子点云和在子点云上建立的具有全局性质的直方图描述符。这两种算法在描述性、噪声鲁棒性、效率、与不同关键点检测算法结合以及与不同滤波算法结合方面,整体性能优于主流的三维点云特征描述符。同时进一步的实验结果表明,本文提出的引导三维点云滤波算法以及迭代引导法线滤波算法有助于提升这两种Local-to-Global特征直方图的表达能力。（4）针对三维点云自身无结构化和不规整特性给点云深度学习特征任务带来的问题,本文提出了一个两阶段的基于三维卷积神经网络的点云特征学习框架。第一步采用二值占据网格方案体素化三维点云输入为规整的体素网格结构。第二步将此网格结构数据输入至本文设计的结合注意力机制的三维稠密卷积神经网络模型中（包含基于通道注意力模型的三维稠密卷积神经网络以及基于通道-空间注意力模型的三维稠密卷积神经网络）进行特征学习。由于该网络模型采用了更深层次的结构并集成了注意力机制,因此学习到的特征具有更强的表达与区分能力。同时,本文提出的引导三维点云滤波以及迭代引导法线滤波算法能够为改善深度学习特征的表达能力起到了积极的作用。