目标识别是当今社会多个领域都在广泛使用的一项技术,其与传统行业的相结合不仅能极大提高生产效率,还能为人们带来更多的便捷。近年来,随着硬件的不断发展,一些传感器具有了获取三维空间信息的能力,其中以激光雷达最为热门,研究者们将其运用在目标识别中,通过建立以激光雷达采集点云数据并搭载软件进行处理的系统,解决了多个实际问题,具有重要意义。本论文以雷达在高空拍摄到的俯视点云图为对象进行研究,旨在解决空对地场景下的识别任务。我们对几种点云的识别方法进行总结,并选取两种用于改进和测试。论文的大致内容如下:（1）点云数据获取。介绍点云的相关知识,利用现有设备和软件分别搭建实际场景和仿真场景,并得到相应的点云俯视图。（2）传统点云识别方法介绍。主要是基于全局和局部两种描述子,选取了三类全局描述子:VFH、ESF、GASD,三类局部描述子FPFH、SHOT、ROPS,从设计思路、计算复杂度及稳定性等方面进行分析,并讲解了识别流程各个步骤的工作,总结描述子方法识别的局限性。（3）利用改进的PPF算法实现目标识别。分析了 PPF算法的原理,根据本场景点云特点对算法进行改进,依靠地面点移除和点云分割的预处理方法缩小计算成本,利用概率输出代替位姿矩阵输出简化算法流程,并达到标识点云属于目标可能性的目的。对改进的方法利用数据测试,给出目标识别率随激光雷达距离变化的曲线图。考虑到点云缺失的问题,在三个拍摄角度下利用多组目标样本计算识别概率曲线,对比曲线变化并进行分析。（4）利用机器学习方法实现目标识别。选取RANSAC算法移除场景地面点、欧式聚类分割点云,得到单独的点云聚类,对聚类使用PCA算法进行坐标转换,然后在该坐标系下提取五种特征,并用XGboost分类器训练样本,得到最终分类模型。为了验证模型好坏,选取K近邻、SVM、逻辑回归三种分类器在精确率、召回率、准确率上进行对比,确定了模型的优势。