针对点云配准过程中点云数据量大、配准时间长、配准精度低的问题，提出了一种基于内部形态描述子（intrinsic shape signatures, ISS）和三维形状上下文描述子（3D shape context, 3DSC）的点云配准算法。该方法首先使用体素网格滤波器对点云进行下采样，接着利用ISS算法提取特征点，并通过3DSC进行描述，然后通过改进的随机采样一致性（randon sample consensus, RANSAC）算法进行粗匹配，最后用改进的迭代最近点算法（iterative closest point, ICP)对点云进行精匹配。试验结果表明，与基于ISS+3DSC的三维正态分布变换(normal distribution transformation, NDT)算法和基于采样一致性初始配准（sample consensus initial aligment, SAC-IA）的ICP算法相比，本文算法的配准精度及效率更高，且对于数据量大的点云也有较好的匹配效果。

针对传统迭代最近点（ICP）算法在点云存在重叠或部分重叠时，配准误差大且适应性差的问题，提出一种基于匹配点对加权优化的改进配准算法。首先，提出一种改进体素降采样算法对点云进行采样，减少数据量的同时提高算法对噪声的鲁棒性；然后，采用改进Sigmoid函数赋予参与配准的匹配点对不同的权重，克服传统算法忽视距离较小的匹配点对中仍具有错误点对的缺点，同时提高了配准精度和收敛速度；最后，提出一种采用奇异值分解法（SVD）求解配准参数的方法，进一步提高配准精度。设计了不同重叠度的配准实验和噪声实验，并结合曲轴三维点云重建对本文算法进行验证。实验结果表明：本文算法误差较Tr-ICP算法减少了约34.1%，较AA-ICP算法减少了约29%，配准时间较Tr-ICP算法缩短了约16.1%。最终表明本文算法具有更高配准精度的同时，具有更好的适用性和鲁棒性。

多视角点云配准是逆向工程中的关键步骤之一，具有重要的研究意义和工程应用价值。而对于狭窄场景(如口腔或机械结构内部)获取的点云数据，多视角配准算法的精度直接影响重建精度的好坏。为了提升狭窄场景多视角点云配准的速度和鲁棒性，提出一种基于位姿图优化的增量式多视角点云配准方法。首先针对相邻视角的点云，结合迭代最近点法(ICP)和基于特征的配准方法，提出一种多策略融合的成对点云配准算法，用于求解相邻视角点云的配准结果；然后在增量式相邻视角点云配准的基础上，进一步提出一种基于距离约束的回环检测方法，并依据相邻视角点云的配准结果和回环检测的结果构建位姿图；最后采用实时优化策略对位姿图进行优化，消除累计误差，实现鲁棒的多视角配准。实验结果表明，提出的多策略融合配准算法和基于距离约束的回环检测方法是有效的。经典ICP算法和基于FPFH特征的配准算法在实验中存在失效的现象，而提出的多策略融合配准算法并无失效。基于距离筛选的回环检测方法较常规的回环检测方法效率提高。提出的多视角配准算法在配准牙齿模型数据时精度可达到0.0357 mm。为了验证算法的普适性，采用多个狭窄场景下连续采集的模型点云进行验证，结果表明：提出的算法取得了不错的效果，表明该方法是一种有效的狭窄场景多视角配准方法。

点云配准是三维重建的关键技术之一。针对点云匹配中迭代最近点算法(ICP)速率低、对初始位置要求高的问题，提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法。首先根据局部表面变化因子与平均变化因子的大小关系，自适应地提取特征点；其次利用快速点特征直方图（FPFH）综合描述每个特征点的局部信息，结合随机抽样一致性（RANSAC）算法实现粗配准；最后根据得到的初始变换矩阵和基于特征点的ICP算法实现精配准。对斯坦福数据集、含噪声的点云以及场景点云进行配准实验，实验结果表明：所提出的特征点提取算法能高效地提取点云的特征；相比于其他特征点检测方法，所提方法在粗配准中的配准精度和配准速度更高，且抗噪性能更好；与ICP算法相比，基于文中特征点的ICP算法在斯坦福数据集和场景点云中的配准速度提升了约10倍，在含噪声的点云中，能根据所提取的特征点高效地进行配准。该研究为提高三维重建和目标识别的匹配效率提供了一种高效的方法。

为解决传统拼接算法在断裂部位受损情况下存在拼接误差大且耗时的问题，本文提出一种基于断裂面几何特征的破损文物碎片自动拼接算法。首先，定义碎片模型邻域特征参数，提取断裂面特征点，依据最小二乘法原理构造曲率特征参数对特征点集进行优化；然后，为解决稀疏点云特征难以匹配的问题，定义特征点间相对距离和相对夹角作为特征描述符，依据集合相似理论对特征点进行相似性度量，提取断裂面特征点对匹配集，并利用随机抽样一致性算法剔除误匹配点对，筛选出最优匹配集；最后，采用奇异值分解法计算旋转、平移矩阵，利用基于K-D树改进的迭代最近点算法实现碎片的精确拼接。实验结果表明：与传统的拼接算法相比，本文特征点少，特征描述符简单，鲁棒性强，有效提高了碎片拼接的准确性和效率。