近年来,深度神经网络在三维数据处理方面取得了重要的进展。点云作为代表性的三维数据格式之一,相较于其他三维数据格式,其结构简单统一,更加容易学习。而基于点云的三维目标识别既保持了三维数据处理的优势,同时相较于基于其他三维数据格式的算法,会更少的产生冗余数据,大大节约计算和存储成本。本文主要研究了基于点云数据的三维目标识别系统的关键技术,首先设计了一个基于深度相机的多视角三维重建算法,该算法可以完成从图像获取到输出点云数据的全过程,同时该算法基于多个视角对点云进行重建,可以获得更为完整的点云数据。然后,本文对三维目标识别模型进行了鲁棒性评估。通过分析已有的对抗攻击算法,提出了一个对抗攻击的新思路,即通过破坏点云的拓扑结构生成对抗点云,并训练了一个端到端的生成网络TD-Net完成对抗点云生成工作。接着,本文通过分析现有三维目标识别模型方法和点云对抗攻击方法,提出了一个新的三维目标识别模型R-Point Net,该模型通过分组提取、特征融合的方式更好地提取点云局部和全局特征,并添加了两个防御模块抵御点云对抗攻击,是一种具有较强鲁棒性的三维模型识别算法。最后,本文设计实现了基于上述算法的三维目标识别系统,并分别对其需求、设计、实现和测试部分进行了详细介绍,同时证明了本文所提出算法亦可以很好的应用于工程领域。