空间物体的理解与识别广泛应用于机器人感知导航、人身安全和环境监控、医学影像诊断解释和计算机辅助外科手术等方面。近年来，随着空间物体数据信息获取技术的提高特别是三维激光扫描仪的普及，基于离散点表示的空间物体受到了越来越多研究者的关注，然而离散点表示的空间物体外形信息和拓扑结构的复杂性、物体获取方式的多样性、以及其环境影响因素的多变性等，都给机器识别带来了新的挑战。如何使计算机获得人类所具备的视觉感知和认知能力，进而达到自动理解与识别窄间物体的目的，一直是机器视觉领域的一个研究难点。本文正是围绕这一问题开展的研究，其主要工作与贡献有：　　 (1)提出了一种基于感知信息的单目标空间物体形状分解方法，称为SDPI(Shape Decompositionbasedon Perception Information)方法。该方法根据人类视觉感知信息以及极小值规则，通过边界特征提取具有形状标识的分块特征点，以分块特征点为引导，基于曲率变化和感知约束实现空间物体的形状分解，从而获得物体的结构描述。该方法实现了与人类的视觉感知相一致的分解结果，并为进一步理解和识别物体提供几何描述和数据支持。　　 (2)提出了一种基于形状语义图的单目标物体理解和识别方法。该方法基于单目标物体的结构描述，通过检测物体结构间分解标记的改变找到各分解结构之间的分界面，提取了具有中心性的分解级骨架，获得物体的拓扑语义描述，建立了物体的形状语义图SSG(Shape Semantic Graph)，定义了SSG之间的初始相似度和递进相似度，通过相似度度量进而实现对物体的理解与识别。　　 (3)提出了一种面向多目标空间场景的层次分割方法，称为SSPD(Segmentation for Scenesin Point Cloud)方法。首先，利用点集的微分特性、泫向一致性约束及局部连通性对空间场景进行分割，结合目标融合策略和目标细分方案进一步优化场景分割结果，形成多个独立的、有意义的空间场景单目标物体对象，进而建立空间场景的结构描述。其次，通过局部连通区域搜索及种子点扩张标准对单目标物体进行细节分解或分割，结合SDPI建立单目标物体的结构描述，最终实现空间场景的层次分割与结构表达。为空间场景的高层表征、理解和识别提供必要的基础。　　 (4)提出了一种基于知识的多目标空间场景表示与识别方法。该方法基于空间场景的层次结构分割结果，利用知识为多目标空间场景提供了一种抽象的、更高级别的、便于计算机理解的描述方法，包括场景几何特征的表示，以及多个单目标之间相互关系和约束的表达，进而利用知识推理实现场景目标的识别，并根据知识规则的真实度和可信度解决知识表示的不确定性以及由此导致的识别错误问题，结合多个特征来提取物体结构中的一般规则以解决物体信息缺失造成识别率下降的问题，从而有效地实现计算机对3D场景的理解与识别。　　 (5)设计了空间物体理解与识别SUAR(Spatial Objects Understanding and Recognition)的可应用平台。将多目标空间场景与单目标物体的理解与识别相结合，分别建立可应用于智能机器人环境认知平台(IRSP平台)，实现机器人对室外场景的认知。结合本文在SUAR方面的研究工作，将SUAR研究中的关键技术和成果转化为适应性强的功能化模块，通过模块集成分别实现SUAR研究成果的理论向不同应用领域的转化。