针对激光扫描获取城市场景出现不同时期位置偏差，传统点云配准方法存在效率低和鲁棒性低等局限性，本文提出了顾及杆状物和车道线的点云配准改进方法。首先对滤波后的点云进行体素格网降采样，再利用布料模型滤波对地面点滤波，后使用K均值无监督分类非地面点云，后用先验的随机一致抽样法提取杆状物作为目标特征，并根据点云反射强度提出点云灰度图和空间密度分割法提取车道线。利用改进迭代最近点（ICP）算法和法向量约束，将杆状物作和车道线作为配准基元，几何一致算法剔除错误点对，并使用双向KD-tree快速对应特征点的关系，加快配准速度和提高精度。经实验证明，在低重叠度的城市点云场景耗时不到20 s，且只迭代20次，精度可达1.987 7×10^-5 m，可实现城市道路场景点云的高效准确配准。

针对基于单一几何特征的文物碎片匹配方法的精度不高的问题，提出一种基于多特征参数融合的文物碎片自动匹配方法。首先，采用分割算法提取文物碎片的断裂面，并计算断裂面上点的四个特征参数：点到邻域点的平均距离、点到邻域重心的距离、曲率以及邻域法向夹角平均值；然后，融合四个特征参数得到特征判别参数，并通过判断特征判别参数值提取出特征点集；最后，采用基于尺度因子的迭代最近点（Iterative Closest Point， ICP）算法对特征点集进行匹配，从而实现文物碎片的断裂面匹配。实验采用兵马俑碎片的点云数据模型来验证该基于多特征参数融合的文物碎片匹配方法，结果表明该匹配方法可以克服基于单一几何特征匹配方法的精度不够高的问题，比已有算法的匹配精度提高15%以上，时间效率提高20%以上。因此说，该基于多特征参数融合的匹配方法是一种有效的文物碎片匹配方法。

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。