利用机器人进行智能检测、分拣等任务是制造业生产线上越来越常见的现象。在机器视觉领域,上述任务可以分解为场景理解、物体识别和位姿估计问题。当前,得益于三维成像技术的成熟和三维扫描设备的更新迭代,基于三维数据的机器视觉算法日益成为学者们的研究热点。为此,本文基于三维点云数据,主要研究了基于超体素谱聚类的点云分割算法和基于PPF特征和ICP配准的位姿估计改进算法。本文的主要工作如下:(1)研究了一种保留细节和边界特征的点云精简方法。首先分析了点云的获取技术、邻域查找技术及法线估计技术,并针对海量点云数据精简问题,提出了以加权合力区分点云边界,基于高斯球映射和均值漂移聚类简化内点的简化方法。该方法相较于常见的栅格精简法和曲率精简法,在精简细节和边界上效果都比较显著。(2)研究了一种基于超体素的谱聚类分割方法。首先阐述了谱聚类的基本理论,包括Laplacian矩阵、谱图划分策略等,并基于Laplacian矩阵的扰动定理,研究了一种谱聚类个数自动确定的方法。此外,介绍了超体素的融合过程,包括体素的划分及其相似性度量方法等。在此基础上,应用KFCM算法将超体素映射到高维特征空间并聚类得到其相应的隶属度矩阵,依据隶属度矩阵得到了超体素的相似性度量方法,最后应用谱聚类算法完成超体素的融合。(3)研究了基于PPF特征和ICP算法的位姿估计改进算法。该方法对基于PPF特征的坐标变换旋转角计算问题作了优化。针对法线二义性消除问题,提出了基于最小生成树的方法以调整法线的朝向。在位姿的初步估计过程中,考量了FPFH特征描述子对局部特征的描述作用,提高了参考点配对的准确性。同时,在位姿优化过程中摒弃了传统点到点距离偏差的优化目标,而采取了点面距离偏差函数,引入了法线约束,提高了ICP算法的位姿优化精度。在算法的验证过程中,本文分别对多实例的位姿估计、遮挡性分析及噪声鲁棒性测试结果作了评价,证明了本文位姿估计算法的可行性和稳定性。