三维建模与识别是计算机视觉、机器人视觉导航和医学影像三维重建等领域的重要研究课题。在计算机视觉系统中，计算机必须通过传感器把采集到的实际物体的外貌特征信息重构成可以理解与识别的三维模型，同时计算机必须与变化的环境进行实时地自主交互，这就要求三维建模与识别的过程要尽可能快速。本文立足于计算机视觉系统中采用深度传感器采集到的散乱三维数据点进行物体建模与识别的理论与方法进行研究，其目的在于探求一种能同时满足实时性和准确性的三维建模与识别方案。 本文通过分析由深度图像得到的三维数据具有离散不规则特性，提出了超二次曲面建模与识别方案，同时围绕该方案所涉及的理论与方法的国内外研究历程和目前存在的问题进行了广泛深入的调研，特别是对演化计算在三维建模与识别中的应用进行了全面分析，并提出将群体演化的原理和方法引入到超二次曲面建模与识别方案中。论文的研究工作的分以下几个方面： (1)针对以超二次曲面为目标函数的数据拟合优化问题，分析了用传统L-M(Levenberg-Marquardt)方法对非线性程度很高，且属于大残量数据拟合问题求解时的局限性，提出了基于粒子群优化算法的超二次曲面三维建模方法。研究利用群体演化的内在并行性来改善粒子群优化算法的早收敛现象，提出并设计了基于岛屿群体模型的并行粒子群优化算法，并对算法的收敛性等求解特性进行分析，同时用无约束优化测试函数验证算法的有效性，并用该算法对超二次曲面参数拟合进行求解，通过对比实验验证了该方法的有效性。 (2)为扩大了超二次曲面模型的表示能力，研究用若干个二次曲面组成的扩展超二次曲面模型，并将扩展的超二次曲面参数拟合转化成约束非线性规划问题求解。针对这个非凸规划问题，通过在拉格朗日函数中增加罚函数项，将原问题转化为对偶问题，采用极小极大化方法来求解。通过研究群体演化算法对约束非线性优化问题的求解理论，提出了用协同并行演化粒子群优化算法求解以扩展的超二次曲面为目标函数的极小极大化问题，同时设计了协同演化并行粒子群优化算法，并将它用于扩展的超二次曲面建模中。 (3)分析离散不规则数据点的三维建模与分割的特点，研究设计了用超二次曲面作为基元对场景进行部件级描述的方案。研究利用演化策略的理论和特点，提出了利用(μ+λ)演化策略求解最优解集的方法来解决针对离散不规则数据点进行三维建模与分割中的问题。由于(μ+λ)演化策略的引入，解决了如何找到一种有效地分布到物体各个部分的初始化种子最佳状态的问题。同时，由于最近邻合并方案的引入，有效地防止了错误的中间分割结果对模型恢复效果的影响。用该方法对不规则物体建模与分割，得到了一个可以明确反映物体特征的各部分拓扑关系，以此可以作为不规则物体三维识别的重要依据，从而大大提高了算法的应用价值。 (4)针对实际应用中部件关系特征的抽取存在误差，以及在超二次曲面属性描述不具备唯一性条件下的部件级目标识别问题，通过研究关系匹配识别理论，提出了基于综合型最小误差关系匹配的超二次曲面部件级物体识别方案。该方案利用最小结构误差关系匹配，结合辅助部件特征属性约束方法来对目标物体进行高效准确的识别，同时利用超二次曲面部件间相对位姿设计一种综合部件属性、关系属性和结构误差的最小误差评估函数，通过剪枝的解释树搜索，有效地实现了在多物体场景下的目标物体识别。 本论文的研究成果将作为“面向深度图像的三维建模与识别软件平台研制”课题研发基础，在此基础上进一步研究面向深度图像的三维的数据获取和图像配准问题，同时进一步研究物体之间相互遮挡对建模与分割准确性的影响问题，以及进一步开展对运动中的关节物体的姿态进行跟踪与识别的研究工作，并将已研究的理论与方法转化为应用产品，逐步形成具有自主知识产权的软件平台。