三维目标识别一直是人工智能、计算机图像处理和模式识别诸学科中具有挑战性的研究课题。相比于二维图像,三维描述对现实世界的理解更确切,因其包含了物体或场景丰富的视觉信息和几何信息。由激光雷达扫描得到的点云图像提供了三维物体的空间几何信息,但存在如目标遮挡、数据稀疏不完整等现象,而仅从投影图像来分析和理解三维物体又远远不够。为挖掘同一物体不同表示之间高度的非线性关系以提高物体的识别率,本文研究了一种基于特征层融合的三维目标识别方法。将深度学习的卷积神经网络(CNN)和受限玻尔兹曼机(RBM)的基本原理作为本文研究的理论基础,分析了几种三维目标识别方法的不足。在此基础上,使用三维CAD模型库ModelNet10作为待识别模型,通过模型渲染、激光雷达仿真成像生成实验所需数据,然后设计卷积神经网络分别从模型的多视角二维图像和多视角2.5D点云图像进行特征提取,并设计双通道CNN-RBM模型在特征层完成融合,得到更具代表的三维物体特征以完成物体的识别分类任务。实验结果表明,相比于单一模态的识别结果,在特征层的网络融合能有效发掘两种特征之间的非线性关系,说明三维物体几何和视觉特征的融合特征更能表现三维物体的特性,在识别分类过程中有着更高的准确率。