深度传感器的廉价化让人们越来越容易接触到三维数据,也使得服务机器人、无人汽车及工业机械臂能够从更高维度感知周边工作环境,进而提高工作能力与效率,深度相机也因而成为智能机器的必备品之一。在机器获取物体的三维数据后,就需要利用该数据对目标物体进行识别与位姿估计,以便进行下一步操作。本文主要研究基于深度学习的单视角三维物体识别与姿态估计方法。本文首先针对深度传感器采集到的原始数据,分别从图像层面与三维点云层面进行了数据预处理,采用时域滤波的方式增加了深度图像数据的稳定性,利用数据统计滤波的方式去除了物体边缘处的干扰点,保证了后续三维感知任务数据的质量。接着针对基于深度学习的三维物体识别及位姿估计方法存在采集数据集困难,缺少数据易导致过拟合的问题,本文设计了利用物体三维模型生成仿真数据集的方案。首先利用廉价的深度相机设计并实现了基于人工标记圆的物体快速三维重建方法。利用随机采样一致性来去除平面提取目标物体点云,利用关键点之间的相对关系设计特征,利用特征匹配后关键点的空间变换关系,完成不同视角下的目标点云配准。通过多视角虚拟采样生成仿真数据集。之后实物验证该方法的简洁可靠性。其次阐明了神经网络提取点云特征可能存在的问题。本文采用池化操作解决点云排列的无序性问题。针对视角旋转会影响点网络在物体单视角局部点云识别任务中的识别率,本文设计了方向矫正模块,该模块可以在识别任务进行之前矫正点云的旋转角,进而提高点云识别率。之后进行了空间变换网络预测物体位姿的研究,并通过实验证明了迭代策略可以提高物体位姿估计准确率。然后针对仅仅利用物体的几何特征以及迭代策略并不能很好估计物体位姿的问题,本文采用了纹理特征与几何特征融合的方法来提高物体位姿估计的准确率。本文使用金字塔场景解析网络提取图像特征,依据彩色图像与深度图像的映射关系,结合点网络结构,从不同特征维度上融合物体的纹理特征与几何特征,最后通过实验发现,基于置信度的点特征物体位姿方法可以大大提高位姿估计的准确度。最后对本文的工作内容进行了总结,并对今后的研究工作做出规划。