虚拟现实经常需要将虚拟物体与真实场景进行融合，构建新的场景。在构建场景时，一般由特殊的扫描仪扫描物体对象，然后对物体对象进行重建，最后将重建得到的物体融入真实场景中，起到增强现实的效果，但是，重建得到的物体往往是点采样状态和不完整的，所以这样会导致缺乏真实感。另外，网格模型很难实时的从扫描得到的深度图中重建出来。因此，为了快速的在场景中融入拍摄对象的三维模型，有效的方法是根据扫描得到的深度图在数据库中检索到对应的三维模型，然后替换对应的深度图数据。假设检索的工作已经完成，为了得到比较真实的合成场景，则需要对三维模型与深度图进行配准，本文提出了基于特征点的三维模型与深度图配准方法。　　 首先，采用SIFT(Scale Invariant Feature Transform)算法的框架提取三维模型与深度图上的特征点。其中，为了顺利地将SIFT算法扩展到三维模型中，我们给出了图形中SIFT算法用到的相关概念描述。对于深度图，首先将其转换成三角网格，然后采用类似三维模型中的方法进行处理，由于深度图在深度域上存在不连续性，在提取特征点时，需要对深度图进行预处理。　　 其次，为了计算匹配的特征点对，需要对特征点构建特征描述符。我们尝试了两种特征描述符：三角网格梯度直方图和旋转图。其中，重点分析了邻域范围选择对特征描述符的影响，并且提出了基于分辨率的邻域选择方法。　　 最后，根据特征点以及特征描述符，计算三维模型与深度图之间的配准矩阵。我们提出了基于特征点的投票配准算法，该算法得到的配准矩阵比较鲁棒，为了给出配准的效果，我们对不同类型的三维模型和不同视角的深度图做了实验，得到了不错的实验结果。