与新出现的智能传感技术,如3 d扫描仪和立体视觉,高质量的点云变得非常方便和低成本。研究基于点云的三维物体识别也受到广泛关注。点云是一种重要的几何数据结构。因为它的不规则的格式,许多研究人员将这些数据转换成常规的三维体素网格或图像集合。然而,这可能导致不必要的大量数据和造成问题。在本文中,我们考虑识别对象在现实意义上的问题。我们第一次使用欧氏距离聚类方法段现实场景中的对象。然后我们使用深度学习网络结构直接提取的特征点云数据来识别对象。从理论上讲,这种网络结构显示了强劲表现。在实验中,有98.8%的准确率训练集,和实验测试集的准确率可以达到89.7%。 The experimental results show that the network structure in this paper can accurately identify and classify point cloud objects in realistic scenes and maintain a certain accuracy when the number of point clouds is small, which is very robust.