深度学习作为人工智能中的关键技术,已成功用于解决各种2D视觉问题,基于深度学习的三维物体识别技术在自动驾驶和机器人等许多3D视觉领域的广泛应用,也逐渐引起了越来越多的关注。通过各种先进的3D扫描仪可以直接获取到日常生活场景中三维物体的表面点云,但由于点云的无序结构,使得神经网络处理点云时面临着独特的挑战。近年来,研究者们提出将点云转化成其他表示形式来解决该领域的不同问题,如渲染成多视角二维图像或者体素化成规格的栅格,取得了许多出色的成果。高精度、高效率以及较低的计算资源需求一直是评估三维物体识别方法性能好坏的主要指标。尽管现有技术获得了出色的成效,也留下了许多问题需要进一步探索解决。例如,基于二维图像的方法目前虽然在Model Net40数据集上取得了最优性能,但其丢失了三维物体的几何结构;基于体素的方法受限于三维卷积的巨大内存占用和计算量;基于点云的方法需要考虑点云的无序性,非结构化和空间姿态任意的特点。本文在探索和分析了基于深度学习的三维物体识别之后,致力于寻找一种新的三维物体表征方式,其形式简洁,从而可以精简网络架构;又具有强大的表征力,能反映出低分辨率下物体的结构化信息,提高同分辨率下的分类精度。同时,对于体素表示方法的三维物体分类网络普遍分类精度不高且推理速度慢的问题,本文设计了一种快速的级联分类网络,同时满足高精度与高效率的需求。本文的主要工作如下所示:1.提出了一种新的三维物体表征方式。与以往方法使用点云、体素或多视图图像作为深度神经网络的输入不同,本文所提出的方法从有向距离场（SDF,Signed Distance Field）中构造了一类更具代表性的特征,称为空间填充球。由于空间填充球具有比表面点云更强的形状表征能力,不仅可以利用少量的填充球来完成分类任务,而且还可以设计相比于Point Net具有更少层和参数的轻量级分类网络。在数据集Model Net40上的实验结果表明,本文提出的空间填充球表征方式在Point Net分类实验上明显优于同样分辨率的表面点云,在所设计的轻量级网络上也能获得与其相当的分类精度。2.对于三维物体体素表示的情况,本文分析了二值体素不适用于三维卷积的原因并验证了SDF体素能有效提高低分辨率体素用于简单网络的分类精度。为了同时提高神经网络的分类准确性和推理速度,本文设计了一种级联三个不同深浅分类器的混合分类网络,有针对性地处理“简单”、“中等”和“困难”样本。该网络通过对不同阶段分别设置分类阈值来平衡三级分类器的优缺点,在Model Net40测试集上获得了92%的识别精度,且平均推理时间只需0.3ms。