三维重建与目标识别作为计算机视觉领域的重要研究方向,被广泛应用于智能机器人、安防监控以及目标追踪等领域。相较于二维图像数据,点云数据记录了目标空间位置信息,不受尺度、旋转和光照等因素的影响,已经成为三维重建与目标识别研究领域重要的数据载体。现有三维重建方法多忽视了重建目标的空间位置信息,在精度、速度以及算法泛化性上有着难以避免的缺陷;同时,在目标识别领域,现有研究方法多属于监督式学习,严重依赖数据标注,限制了小样本识别技术的发展。随着深度学习、强化学习的发展,尤其是生成对抗网络(Generative Adversarial Network,GAN)的出现,为解决三维重建与目标识别领域的问题提供了理论依据。本文在研究卷积神经网络(Convolutional Neural Network,CNN)与生成对抗网络基础上,提出一种基于生成对抗网络的点云模型三维重建与目标识别方法,用于重建三维目标以及无监督式三维目标识别。主要研究内容如下:(1)针对三维点云数据的无序性问题,在传统卷积神经网络的基础上,结合空间变换网络(Spatial Transformer Network,STN),构建一种改进的面向点云模型的三维点云卷积神经网络模型。以传统卷积神经网络为载体,构建三维有序卷积神经网络模型,使模型具备处理三维有序点云数据的能力。再改进空间变换网络模型中的仿射变换矩阵,构建三维空间变换网络模型,使其具备自适应处理无序点云数据的能力。进而将三维空间变换网络模型引入三维有序卷积神经网络模型,构建三维无序卷积神经网络模型,提升模型对无序点云数据的处理能力。(2)针对重建算法泛化性差的问题,以生成对抗网络为基础,结合提出的三维点云卷积神经网络模型,研究基于生成对抗网络的三维重建算法。以三维点云卷积神经网络为基础,构建面向点云模型的点云生成对抗网络的生成器模型,用以重建三维目标。再依据生成器模型的镜像模型,搭建点云生成对抗网络的鉴别器模型,用以辨别目标真伪。最后,通过设计生成器模型与鉴别器模型的二者博弈,实现点云模型的三维重建。(3)针对目标识别严重依赖样本标注的问题,通过提取点云生成对抗网络的鉴别器模型,结合支持向量机(Support Vector Machine,SVM),构建无监督式目标识别模型。基于生成对抗网络整体架构,训练鉴别器模型,使其具备特征提取的能力。进而依据支持向量机,设计分类器。最后通过两者的结合,实现点云模型的无监督式识别。