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。

针对目前常用配准算法不能满足生产制造行业中高精度工艺要求的问题，本文基于三维点云提出一种改进三维形状上下文（3DSC）点云配准的有效解决方案。首先，通过改进的降采样方式设定阈值采集轮廓点云，对采集的点云依次进行三维网格划分形成形状上下文。然后，进行改进的3DSC初始配准，进而采用迭代最近点（ICP）精确配准，实现了源点云与目标点云之间的旋转平移变换。为验证改进算法的有效性，采用FPFH-ICP、PFH-ICP、传统3DSC和本文改进算法进行配准实验对比。实验结果表明，对于bunny点云和flowerpot点云，本文改进算法精度分别可达2.253 55e-05 m和9.969 02e-06 m，明显优于其他算法的配准精度。与传统3DSC配准算法相比，改进的3DSC配准算法可节省75%~85%的配准时间。改进的3DSC点云配准方法有利于提高配准精度且能优化配准时间，提高了配准效率。