随着科技的发展和进步,传感器感知空间的能力越来越强,通过传感器来进行机器人定位与目标识别也变得越来越重要,尤其是以通过RGBD信息进行空间感知的研究方向也越来越火热。在SLAM领域中,RGBD信息减少了大量的计算力,极大地提高SLAM算法的准确性与速度。而在目标识别领域里,二维图像的目标识别技术已经发展的较为完善,但是RGBD信息对物体具有更丰富的描述,而且可以通过多角度信息对有遮挡的物体进行三维重建,提高识别准确率。而且伴随着人工智能技术的飞速发展,目标识别技术在该方向的应用越来越成熟,移动机器人结合目标识别的应用也会越来越热门,尤其是在室内服务机器人领域,所以本文针对室内、移动机器人、点云目标识别为核心进行研究。针对室内移动机器人,首先要具备的功能就是SLAM,所以本文对RTAB-MAP的SLAM方法的框架与算法进行介绍,并进行了RTAB-MAP实验所需的环境搭建,并对标准数据集进行了SLAM实验,获取定位数据并进行对比分析,得到RTAB-MAP的SLAM方法的优缺点,获取室内的环境是进行移动机器人智能化的基础,以此为目标识别打好基础。接着通过运行SLAM环境,通过实时定位获取相机位置与姿态,同时通过Kinect v2相机拍摄物体的多角度信息,并在相机成像模型的前提下,将RGBD信息转换成三维点云场景,然后结合相机的位置与姿态对ICP算法改进,进行点云拼接。针对点云目标识别问题,本文采用多角度结合深度学习的方法来实现点云目标的识别,本文结合RGB信息与凹凸性特征结合的点云分割算法。对点云的处理步骤是:先对点云进行超体聚类,分割成很多小块,然后通过点云的凹凸属性进行合并,并通过相邻面检验进行筛选,得到分割后的点云。最后,将分割出的点云物体制作成数据集输入给Point Net网络,该网络可以直接对点云进行处理,其中包含两个空间变换网络,能够解决点云的旋转性与无序性的主要问题,并进行识别,本文对多角度与单角度的点云分别进行了实验并对结果进行了分析总结。