点云配准作为关键技术广泛运用于三维重建、目标识别以及相机重定位等实际场景中。在实际使用时,虽然ICP(Iterative Closest Points)算法能使精配准达到很高的配准精度,但传统的初始配准算法的成功率却很低,这种不稳定性限制了配准算法在工业中的使用。本文源于复杂零件测量项目,针对项目中配准不稳定的问题,采用深度学习方法对基于特征的点云初始配准算法进行研究。首先使用Point Net网络训练了适用于点云配准的局部特征,提高了初始配准过程中对应关系的召回率和精度。然后结合Point Net特征高召回率和高精度的特点,使用对应关系迭代优化了配准算法,提高了配准算法的配准成功率。最后成功将改进后的算法应用于复杂零件的测量和物体的6自由度姿态估计。主要内容包括:(1)对用于点云配准的特征进行了研究。针对不同次点云获取到的点云排列差异的问题,设计基于PointNet网络模型的点云局部特征,并使用SceneNN数据集和Triplet算法对其进行训练。得到的特征在召回率和精度方面均优于传统的点云特征。(2)对基于深度学习特征的配准算法进行了研究。结合PointNet特征使用SVD求解配准的初始姿态,再利用初始姿态计算对应点距离,使用对应点距离排序剔除对应关系,进行迭代提高了配准成功率。(3)将配准算法应用到实际场景中。通过配准标记复杂零件点云模型的待测部位,分割标记点云从而进行测量,实现复杂零件的测量应用;另外通过预选测量好的模板对待估计的物体进行配准,得到变换矩阵,进而得到待估计物体的姿态,实现物体的6自由度姿态估计应用。总体而言,本文使用深度学习提升了初始配准的成功率,稳定的实现了复杂零件测量和6自由度姿态估计应用。