随着人工智能的迅猛发展,推动了许多领域的发展。移动机器人借助采集传感器对周围环境进行实时重建,然后通过深度学习对场景中的目标进行分割和识别,在识别过程中无需再人为的对待识别的物体进行特征标记,而是机器本身通过学习得到物体的特征,提高对物体识别的准确性。本文使用Real Sense联合RTAB-MAP对场景进行实时三维重建,但是场景中的物体显示轮廓不清晰以及场景重建信息缺失,因此采用粗配准与精配准结合对采集到的场景图进行配准,达到信息补全的效果,最后,将配准后的场景图制成数据集,采用深度学习算法实现点云场景的分割与识别。具体从以下几个方面进行研究:首先,对深度相机的成像原理与成像过程中涉及到的坐标系转换进行了详细的介绍,通过相机标定实验得到相机的内参。其次,对三维重建系统RTAB-MAP进行了介绍,然后联合Real Sense D435i深度相机进行场景的实时重建。建图过程如下:首先,深度相机采集到场景的图片信息与深度信息,对每一帧图像的关键点进行提取;然后计算描述子,并将这些关键点与地图中的点进行匹配,匹配完成后,可以通过Pn P或RANSAC、Pn P加非线性优化来估计相机的位姿,利用BA进行后端优化,在此过程中使用回环检测来消除累计误差;最后得到实时的三维重建场景图。本次实验基于室内和室外场景进行三维重建,室外实验共采集了200张场景点云图,室内采集了300张点云场景图。通过对比夜间室内单程重建效果与夜间室内往返的重建效果、夜间室内往返的重建效果与白天室内重建效果,夜间室内单程重建效果与白天室内重建效果,得出光线与采集周期（单程算一个周期）对重建效果的影响。然后,对采集到的点云图像进行分析,使用点云配准算法对采集到的场景图进行点云补全。我们先使用SAC-IA对点云进行粗配准,具体流程如下:首先,对输入的点云数据进行特征点的提取,其次,使用快速特征点直方图（FPFH）对提取出的关键点进行配对和描述,然后,根据匹配对的夹角性质删除错误的配对点,最后用采样一致性算法完成粗配准。精配准阶段,我们先阐述了ICP的算法流程,针对该算法中搜寻匹配对速度过慢的问题,在算法中加入了Kd-Tree进行优化,然后完成了精配准实验,对最终的实验结果进行分析,进而验证光线与采集周期（单程算一个周期）对重建效果的影响。最后,将配准好的场景图进行标注以及数据转换,制作成数据集合测试集,然后通过Point Net++进行分割与预测,对最终结论进行分析。