随着三维扫描技术的发展,三维重建技术的应用从机器人导航向逆向工程、虚拟现实、医学等领域扩展。点云配准是三维重建过程的关键环节。由于测量设备、物体形状及环境的影响,一次测量只能获取被测物体或场景的一部分点云数据,为得到整体的数据模型,需从多个不同的视角进行多次测量,但每次测量得到的点云数据位于不同的坐标系,将多个不同坐标系下的点云调整到统一坐标系下,获得完整点云数据的过程即为点云配准。本文主要对三维点云数据的配准算法进行了研究,提出了精度较高的粗配准和精配准方法,主要工作内容如下:首先,针对现有粗配准算法精度较低且适用范围有限的问题,本文提出了一种基于几何特征和RANSAC思想的粗配准方法。该算法中建立了点的邻域曲率值的概念,并依据该几何特征提取两个点云的关键点集。配准过程中采用RANSAC算法的思想,每次采样中,利用FPFH特征来搜索对应点,并结合刚体变换不变量进一步约束,提高对应关系的准确性。经多次采样后,利用两点云一致性程度来选择最优的变换作为最终的变换关系。算法中还采用多线程机制来加速点的几何特征的估算过程,以提高算法的执行效率。然后,针对现有精配准算法的收敛速度较慢且容易陷入局部极值的问题,本文提出了一种基于点的邻域几何特征的迭代配准算法。该算法给出了计算两个点云重叠区域的方法,将两个点云中位于重叠区域的部分用于精配准。配准过程采用迭代的思想,通过反复迭代,逐渐调整两个点云的位置关系。每次迭代过程中,依据最近点搜索法和点的几何特征初步确定候选点对,并结合本文提出的5维描述子和刚体变换不变量剔除错误的点对,提高对应关系的准确性,加快精配准算法的收敛速度。最后,从配准误差、算法效率及收敛速度等方面验证了提出的配准算法的有效性,并展示了配准算法的实验效果。