目标识别是现代智能机器和系统的重要组成部分,在许多现实应用中起着至关重要的作用,如交通监控、安全监控、自动驾驶车辆、自主移动机器人、人类行为分析、医疗成像等。三维目标识别是智能体感知和理解场景的关键技术,是机器与世界交互的基础。目前深度学习是三维目标识别研究的主流,然而,传统的深度学习方法如卷积神经网络忽略了三维数据之间的高阶相关性,不利于特征的有效融合。超图是建模高阶、复杂数据关系的有效工具,超图深度学习成为数据表示学习的新兴技术。本研究植根于超图上的深度学习技术,围绕当前超图神经网络在超图构建、超图卷积算子、多模态数据融合等方面存在的若干问题,以提高三维目标识别性能为目标,提出了三个有效的超图神经网络框架。本文的主要工作和创新成果如下:（1）提出了一种用于三维目标分类的稀疏超图注意力网络。首先,针对当前超图卷积网络超边冗余度高的问题,采用L0范数正则化稀疏框架剔除超图中潜在的含噪或与任务无关的超边,优化了超图结构,减少卷积运算量。其次,针对当前超图注意力网络所采用的顶点-超边-顶点特征传播模式引入大量参数的问题,基于超图邻接矩阵和余弦相似度提出了一种顶点-顶点特征传播的注意力机制,省略了超边作为中间表示,减少了参数量,并且其适用于顶点和超边来自不同域的情形。在两个三维数据上的分类实验结果表明,与现有算法相比,所提出的网络能有效提升三维目标分类准确率,且网络参数量较低。（2）提出了一种基于超图小波神经网络的三维目标分类模型。首先,针对当前超图构建方法存在计算复杂度高、存储开销大等问题,提出了联合最远点采样和球查询的”数据驱动”的超图构建方案,其比常用的超图构建方法计算复杂度低、存储代价低,且能更好的适应数据的不均匀分布。其次,为解决当前超图卷积算子难以灵活调整顶点邻域范围的问题,将谱图小波推广到超图上提出了超图小波变换,并设计超图小波卷积算子,通过调整尺度提取更有效的特征嵌入。此外,基于小波系数稀疏先验提出了一种新的超图正则项,促进特征局部平滑并避免网络过拟合。实验结果表明,所提出的网络在目标分类准确率、超图构建和卷积运算效率方面均取得了显著的性能提升。（3）为有效融合数据的多模态特征,提出了一种由部分吸收随机游走引导的自适应多超图卷积网络。首先,针对当前超图神经网络在卷积过程中未充分利用超边外有效信息的不足,创新性地将部分吸收随机游走理论发展到超图上以从全局结构优化顶点的邻域。其次,基于超图上的部分吸收随机游走设计了一种新的超图卷积算子,通过优化后的高阶相关性学习每个模态的深度嵌入。最后,针对当前面向多模态的超图神经网络同等看待不同模态或引入大量参数来学习不同模态权重的问题,提出了一种简单的由损失函数引导的多模态融合策略来组合不同模态的表示。该方法能自动为训练过程中表现更优的模态分配更高的权重,并且不需要增加额外的训练参数。在两个基准三维数据集上的实验结果表明,所提网络相比现有算法能较大的提升分类和检索准确度。综上,三维目标识别具有重要的应用价值,超图深度学习技术作为人工智能领域深度学习新的分支,深入开展该技术的相关研究并用于三维目标识别具有重要的理论价值和工程意义。