随着三维激光点云数据采集设备的发展,点云数据在数字孪生、智能制造、无人驾驶和文物保护等领域得到了广泛应用。然而由于被测物体几何结构、位置等因素的限制,激光扫描仪难以一次获取扫描对象的完整点云数据,因此需要通过点云配准将具有不同坐标系的点云统一到同一参考坐标系下。目前传统的人机交互点云配准方法耗时耗力,而自动配准算法仍存在效率低、同名点容易错误匹配等问题。针对以上不足,本文利用神经网络在特征提取方面的优势,对深度学习应用于点云配准中的关键技术展开研究,在此基础上提出了两种点云配准方法,以实现物体及室外大场景点云的自动精确配准。首先设计了一种核相关点云配准神经网络,用于实现物体点云的自动高效配准。该网络通过计算点云中的点与所构建点云核之间的相关度获取局部邻域信息,然后使用多层感知机对源点云以及目标点云进行特征编码。在此基础上构建了对应关系估计层,用于建立两个点云间的同名点对应关系,并基于奇异值分解法求解点云的配准参数,最后以迭代的方式使得源点云不断地逼近目标点云,实现点云的精细配准。其次为提升室外大场景点云配准中同名点匹配的精度和效率,本文提出了一种基于先验语义信息的配准方法。该方法通过语义分割网络获取待配准点云和目标点云中每个点的先验语义信息,然后检测相同语义信息点云块中的关键点,并基于特征描述子生成两个点云块的同名对应点集,最后通过随机采样一致性策略（Random sample consensus,RANSAC）对具有不同语义信息的点云求解配准变换矩阵,选取能够使内点比例达到最高的变换矩阵作为最终输出的配准结果。为验证方法的有效性,本文在斯坦福大学3d扫描模型库以及Whu-TLS数据集上分别对所提的两种配准算法进行了多组实验。实验结果表明,核相关点云配准神经网络能够实现对于不同物体点云的精细配准,且在点云存在噪声和密度不一致的情况下仍具有良好的稳定性;基于先验语义信息的点云配准方法能够完成不同室外大场景下的点云配准任务,与传统的RANSAC方法相比,RMSE（R）和RMSE（t）分别提升了63.3%、63.9%,运行效率提升了59.8%。