移动机器人最主要的功能之一就是能够实时感知其周围环境,及时处理来自周围环境的信息。相对于简单的平面图像,3D点云数据不仅包含物体的颜色信息,而且包含更多的几何信息。基于协方差描述符的图像识别方法已经发展了几十年,但是如何将协方差描述符有效应用到3D点云对象识别与分类中却是近几年才兴起的研究热点。本文从实际出发,分别研究了局部描述符和全局描述符在3D点云中对象识别与分类中的应用,并对点云匹配过程中的误匹配校正算法进行了研究。同时针对点云的不均匀、无序、稀疏等特点,本文提出了一种基于拓扑结构不变性的3D点云分割方法。本文的主要的创新研究成果如下:(1)针对一般描述符维度大、对噪声敏感、匹配运算时间长等问题,结合3D点云提出了一种新的局部协方差描述符,并结合点云协方差特征描述符的特点,提出了相应的误匹配校正算法,有效的减少了描述符匹配过程中误匹配的数量,从而提高了对象识别的精确度和鲁棒性。(2)结合全局描述符处理速度快的特点,从3D点云的颜色、深度、形状、大小以及其他不同方面的几何信息提取特征描述符,并对其进行串行融合,生成不同组合的全局特征描述符。通过实体和类别两种不同方式的分类实验,验证并得出在对象分类中最优的特征组合。(3)针对3D点云的不完整、稀疏、无序、分散等特性,基于计算点云数据集在不同空间分辨率的拓扑结构不变性,将拓扑结构不变性的思想引入3D点云分割中,提出了一种新的点云分割算法。通过实验验证,该算法可以有效的处理遮挡和噪声等干扰情况下的点云分割。