点云配准在自动驾驶、三维重建和机器人等领域有着广泛的应用。基于最近点假设的配准方法通常需要点云之间有着较好的初始位置,因此其应用的场景受到限制。为此,一些学者开发了几何特征提取方法,通过几何特征的匹配来构建对应关系,从而解除了初始位置的限制。本文将这类方法称为基于特征匹配的配准方法,在该类方法中,特征匹配后通常会得到包含大量离群值的点对集合,通过这些点对很难直接求解刚性变换,因此需要首先进行离群值去除操作。并且点云中通常包含大量的点,为了提高计算效率,通常的方法是进行随机采样。但是在具有低重叠属性的点云中,随机采样会采样到非重叠区域内的无用点,这导致采样的效率不高,进一步加大了配准的难度。针对上述问题,本文提出了一种基于关键点提取的刚性点云配准方法。在关键点提取阶段,首先通过动态图卷积网络捕获广泛的上下文信息,然后使用交叉注意力机制来感知重叠区域,输出逐点位于重叠区域内的概率,从而结合特征匹配概率采样位于重叠区域中匹配性强的关键点,提高采样的效率,进而降低配准的难度。针对点对集合中包含大量离群值的问题,本文提出使用渐变非凸优化方法,通过Black-Rangarajan对偶将非凸的代价函数转换为凸性变化的代理函数,在代理函数由凸转变为非凸的过程中结合加权奇异值分解算法,完成首先降低误差值,然后回归原代价函数收敛的过程,从而得到较好的局部最优解或者全局最优解。在实验中,本文通过与随机采样方法、常用的离群值去除方法进行对比,验证了本文的关键点提取方法、点对离群值去除方法的有效性。在3DMatch数据集中,本文方法相较于传统方法有明显优势,与深度学习方法相比也具有竞争力。最后,通过Model Net40数据集中的不同重叠率的对比实验,验证了本文方法在低重叠配准中的鲁棒性。