随着计算机辅助设计技术的发展,基于三维点云的目标识别变得越来越重要,成为了最近的热门话题。由于三维扫描设备的精确度以及目标场景中各种因素的影响,使得获得的点云会受到例如噪声、目标遮挡以及点云密度的影响。这些影响,增加了目标识别的难度和精确度。本文主要对三维点云在滤波和关键点提取进行了改进。在滤波方面,首先计算出模型中每个点的k-最近领域点,然后计算k-最近领域内每个点的高斯曲率以及所有点的平均高斯曲率,最后通过比较每个点的高斯曲率和平均高斯曲率,将模型中的点分成了两类,一类是大于平均高斯曲率的点集,另一类则是小于平均高斯曲率的点集。小于平均高斯曲率的点集,被视为模型中表面特征变化相对比较小,即模型表面比较平滑的区域,对其采用传统的中值滤波方式进行滤波。大于平均高斯曲率的点集,被视为点云模型中特征变换比较明显的区域,则采用改进后的多边滤波方法进行滤波。其中,多边滤波的改进主要体现在:为了使采样点与其邻域内点之间的距离对降噪效果产生较小的的影响,本文对多边降噪算法中的权重函数进行了加权处理。从而使距离采样点相对比较远的区域内的点对点云数据的滤波影响就越小,提高滤波效果。在关键点提取方面,主要研究了目前识别效果比较好的SIFT3D、Harris3D、ISS3D、NARF关键点提取方法。并且通过实验对比的方式,分析了每一种关键点提取方式的优点以及缺点。为了结合各种关键点提取方法的优点,本文提出了一种多关键点提取方法相结合的提取算法实现关键点的提取。最终通过实验表明,本文提出的关键点提取方法对噪声和模型的旋转变换都有很好的鲁棒性。本文对改进后的滤波方法以及关键点提取方法进行了大量的实验验证。从实验结果来看:在滤波方面,改进后的滤波方法对点云中的噪声有很好的鲁棒性。最后为了验证本文改进的算法在目标识别过程中的效果,在本文的最后一章,通过实验的方法在不同噪声强度下以及模型旋转变换下进行了大量验证。