物体识别一直是计算机视觉及模式识别领域的核心课题之一。随着深度传感技术的迅猛发展,利用RGB-D图像信息来解决物体识别问题已成为计算机视觉领域的研究热点。本文以提取鲁棒性的特征为目的,从特征提取及表达、特征学习两个方面着手,展开了基于RGB-D图像信息的物体识别的研究工作,主要的内容如下:(1)提出了一种基于核描述子的RGB-D图像物体识别方法。首先,在对原有深度核描述子中的采样点选取和紧凑基向量的计算进行改进的基础上,提取RGB-D图像的形状、尺寸、边缘、颜色等多个互补性核描述子特征以及SIFT描述子特征;然后依次进行局部约束线性编码、空间池化和特征融合等处理得到物体图像最终的特征向量;最后,采用线性SVM进行物体分类。在RGB-D数据集上的实验表明,与其它传统方法相比,该方法在一定程度上能有效地提升了物体的识别精度。(2)提出了一种基于多模态卷积递归网络的RGB-D图像物体识别方法。鉴于从深度图中提取的三维曲面法线特征可以较好地反映物体3D表面特性。在该网络模型中,卷积网络层提取RGB图、灰度图、深度图和3D曲面法线的低层特征,作为多个固定树结构的递归神经网络层的输入,经过多层抽象提取后,得到更加抽象的高层特征。在RGB-D数据集上的实验表明,该算法可在一定程度上避免人工设计(hand-crafted)特征的复杂性,而多模态特征的融合,能进一步提升卷积递归网络的物体识别性能。