激光三维成像雷达由于在探测和测距等方面具有独特的优势,在精确目标定位与识别、伪装分析、多目标分类等方面展现出潜在的应用前景,成为遥感、目标检测和机器视觉等技术领域的研究热点。然而激光雷达虽然精度高,但三维点云数据量大,运算过程复杂,且目标与背景、伪目标的点云数据没有类似图像识别中的几何或光谱特征,故限制了其应用条件。本文从激光三维成像雷达工作机理、仿真分析、特征提取以及目标特征匹配与识别方面开展了深入地研究与讨论,对推动多模式数据融合的目标识别技术具有重要意义。基于激光三维成像雷达的技术特点,搭建了适用于目标探测的激光雷达三维成像系统,研制了应用于激光三维成像雷达的光学发射模块和光学接收模块,根据测试目标的距离范围及光学系统设计要求等,采用ZEMAX软件对接收与发射模块进行了仿真追迹分析。同时克服了测试距离范围大、目标状态不同、环境干扰等测试环境问题。对近场和外场环境分别进行了点云数据的采集,为后续的目标识别提供了理论基础与数据支撑。针对测试数据中存在非目标的噪点干扰的问题,提出基于目标特征的数据精简算法,解决了传统算法中点云法向量估计困难和空间投影计算量大的问题,实现了在保留目标有效几何信息的基础上对孤立噪点及小幅噪点集合的抑制。提出了LCIIM算法进行点云数据的三维重建,首先利用基于目标特征的精简算法提高CPD的粗配准效率,然后最大程度的做到点云去畸变,最后利用CPD精准对应ICP的初始位姿,有效的避免ICP陷入局部最优,实现对三维目标的高精度重建。LCIIM算法在精度、稳定性、应用价值上都比传统的算法有很大提高,为后续提高目标识别精度做好预处理。针对单一数据源中移动目标信息描述困难,点云数据不连续、无几何特征的问题,提出了基于几何特征与红外匹配相融合的特征提取的目标识别算法,利用目标几何特征作为限定条件实现对目标范围的选定,并根据红外匹配将目标位置统一到同一坐标系中,完成精确定位,实现了在几何边界约束条件下点云图像与红外特征点的匹配融合。研究了多种数据格式匹配条件下对静态、动态目标的识别方法,针对楼宇、汽车等目标进行识别,实验结果表明,在没有增加运算时间的同时对移动目标的识别具有很好的适用性。针对传统的目标识别方法中特征提取需要复杂的预处理过程的问题,研究了基于深度学习的新型卷积网络进行目标识别。首先提出一种新型的多模态融合的EEPFNet网络框架,由多模态融合之下的RPN和叠加Edgeconv网络模块组成,可以进行端到端的训练;然后提供一致性的强制损失（CE loss）函数来提高目标定位能力;最后通过测试3D公开库目标检测数据集KITTI和SUN-RGBD评估算法的性能,并对本文雷达系统采集的点云数据进行了算法的再次验证,结果显示在保证运算速度的同时,达到较高识别精度。