三维物体识别在计算机视觉中是一项十分重要的基础性研究,它是对远程遥感、生物医疗、机器人在内的等众多领域进行研究的前提和基础,因此三维物体识别有着广泛的应用前景。3D物体识别方法大致可以分为两类:基于全局特征的识别方法和基于局部特征的识别方法。由于基于全局特征的识别方法忽略了物体的一些局部信息,所以在一些杂乱的、存在遮挡的场景中,不能很好的识别,而基于局部特征的三维物体识别技术有更大的优势。基于局部特征的三维物体识别方法大体上可以分为三个阶段:3D特征点的检测,特征点的描述和局部曲面的匹配。本文围绕这三个核心阶段,对基于局部特征的三维物体识别方法进行了深入的研究,主要做了以下几个方面的工作。(1)针对物体的尺度不变性特征以及传统算法对噪声敏感等问题,本文提出了一种基于散乱点云的多尺度特征点提取算法,通过改变局部邻域的大小来构造尺度空间进行多尺度分析,在不同的尺度下通过对局部邻域的协方差分析来计算曲面变化值,找到具有尺度不变性的特征点。同时还引入了基于形状索引值的点签名方法,增强了对噪声的鲁棒性。(2)针对传统描述子维数过大,匹配时间较长等问题。本文提出了一种几何协方差描述子,利用特征点与邻域点间法向量夹角、距离等几何特征构造协方差矩阵来描述特征点。实验表明,此描述子不仅具有较强的描述能力,而且具有旋转平移不变性,对噪声不敏感,对点云采样密度也具有较强的鲁棒性。(3)在曲面匹配过程中,针对特征点最近邻匹配后还存有一定的误匹配对,本文将典型相关分析引入到特征点的误匹配剔除上来,最终得到了较好的匹配效果。