三维扫描设备可以快速获取被测物体的表面形状信息，其测量得到的海量三维点坐标数据称为点云。在三维物体数字化过程中，由于受测量设备测量范围的限制以及被测物体外形的复杂性等，三维检测一次只能得到物体某一部分表面的数据，要得到物体完整的形状信息，需要从不同角度使用多次定位进行测量，测量结果通过配准后才能重构出整个对象。对不同视角下测量得到的点云数据的拼接问题是逆向工程、计算机视觉、医学图像处理等领域的一项重要研究内容。 本文分析了三维坐标变换和点云数据拼接的原理，较为深入地研究了点云拼接技术的理论和方法，主要介绍了基于特征的拼接算法和迭代最近点ICP(Iterative Closest Point)算法及其改进算法。 传统的ICP算法要求待拼接的两点云数据间存在子集包含关系，并且初始位置不能出现错位和滑动，并不能有效解决测量点云的多视定位问题。虽然有很多改进的ICP算法，但只适用于存在明确对应关系的数据点集和模型间的定位。 为了解决不存在明确对应关系的两个点集间的拼接问题，本文在对应点的寻找和相似度的测量上做了改进，提出了一种基于曲率的点云数据拼接算法，以曲率特征点来判断对应点集，能快速准确的找到重叠区域，并用Hausdorff距离作为度量准则，找出一一对应的匹配点对，并用最大、最小主曲率对这些对应点进行检验和筛选，经过迭代求解、坐标变换，完成视图间的拼接。 最后，本文用VC++和OPENGL对提出的主要算法进行了编程，并应用点云数据进行了验证和应用研究，实例表明本算法在有效点的判断上，准确性高，在保证较好的匹配精度的前提下，运行速度明显提高，有效解决了不存在明确对应关系的点云视图间的定位问题。