模型重建与目标识别作为计算机视觉的重要研究方向，可广泛应用于智能监控、自动机器人、遥感分析以及导航制导等领域。相对于传统的二维图像，三维点云具有能获得目标场景几何/深度信息，能更精确获得目标姿态，且不受尺度、旋转和光照影响等优势。得益于近年来点云获取技术的快速发展以及计算能力的不断提高，针对点云的研究成为计算机视觉领域新的热点。而基于点云的三维模型重建与目标识别，依然是一个具有重要研究价值且富有挑战性的问题。鉴于此，本文围绕上述任务深入开展理论和技术研究，在点云局部特征描述、三维模型重建以及三维目标识别方面取得了如下进展。　　在点云局部特征描述方面，首先提出了一种全新的点云局部特征描述算法框架，并依据该算法框架设计了旋转投影统计量（RoPS）和自旋图三元组（TriSI）两种点云局部特征描述子，二者在鉴别力和稳健性方面均获得了优异的性能。接着设计了一个完整的点云局部特征描述子基准评估体系，对多个主流局部特征描述子进行了综合测试，得到了一系列具有参考价值的结论。　　在三维模型重建方面，分别提出了基于RoPS特征匹配的成对点云配准算法和基于形状生长的多视点云配准算法，并设计了一个完整的三维模型重建系统。该系统的特色在于可同时实现对多物体混合多视点云的高精度配准与模型重建。该系统生成的三维模型具有很高的精度和完整度，能适应不同分辨率的点云数据，且不依赖于任何人工干预及先验知识。　　在三维目标识别方面，首先针对遮挡和背景干扰下的目标识别问题，提出了基于模型库的层次化三维目标识别算法。该算法将目标检测和识别作为一个统一的整体，在识别的同时完成目标检测分割与姿态估计。接着，针对无先验知识下的目标检测问题，提出了不依赖模型库的三维目标检测与模型重建一体化算法。该算法可实现不依赖模型的三维目标检测，并从存在背景干扰的场景点云中重建出目标的三维模型。最后，针对人脸识别这一非刚性目标识别特例，提出了一种表情变化下的三维人脸识别算法。采用多个公共数据集验证了上述算法的有效性。