物体识别是计算机视觉领域一项十分重要的基础研究，它是对图像检索，视频监控，机器人在内的等众多应用领域进行研究的前提和基础，因此，物体识别技术有着十分广泛的应用前景。自物体识别这个课题被研究以来，在很多方面已经取得了很大的进步，但在物体识别相关研究过程中物体分割的问题以及光照和形状等对物体识别结果影响等问题一直困扰着广大研究者。近年来，随着图像获取设备的快速发展，在2010年微软公司推出的Kinect使得广大研究者能方便廉价的获取深度数据。本文对使用Kinect对物体分割与识别的相关工作进行了研究，研究了深度图像的预处理算法、基于深度图像的物体分割算法和融合彩色信息与深度信息的物体识别算法。本文的主要做了以下几方面工作：首先，通过了解Kinect获取深度数据的原理并对Kinect获得的深度图像存在的主要噪声进行分析，采用最近邻插值的方法对深度图像中的空洞进区域进行修复和中值滤波算法对图像的边缘毛刺进行滤波。其次，结合Kinect深度图像的特点，采用区域增长的方法提取物体区域，然后将深度数据转化为三维空间中的点数据，计算每个点的法向量，通过法向量的方向来判断属于支撑面的点，提取深度图像中的支撑面区域，再将提取支撑面区域后的分割结果对区域增长法后的分割结果进行修正，完成基于深度图像的物体分割，解决了分割中物体区域与其支撑面区域在深度值上的连续而造成过分割的问题。并通过实验进行验证。最后，介绍了物体识别的系统模型，分析了深度图像能提供成对的彩色和深度数据的优点，采取融合物体颜色直方图特征和深度图像的方向梯度直方图特征的方法，对物体识别的相关算法进行了研究。通过实验分析了融合在不同权重下的深度特征和颜色特征物体的识别率，并与现有的特征提取方法进行对比，试验结果表明识别的准确率得到了提高。