近些年来,随着激光点云技术的不断发展,计算机开始用一种新的数据形式来认识并理解世界。随着深度学习在2D图像处理领域取得的巨大成就,研究人员开始将深度学习方法应用到点云数据处理领域,但是由于点云数据的无序性、稀疏性等原因,难以直接利用深度学习来处理点云数据,直到Point Net和Point Net++的问世,深度学习开始在点云数据处理中被广泛应用,但是目前的方法大多通过手动邻域选择的方式来进行局部特征学习,无法根据点云密度分布自动更新邻域的大小。除此之外,点云在采集过程中通常采集设备只能获取到场景的部分信息,需要利用点云配准技术对场景进行重建。点云配准的本质是将两个或者两个以上相机坐标系中的点云转换到同一个坐标系中以完成拼接的过程。在点云采集过程中由于不可抗因素会使得原始采集的点云数据包含大量的噪声和异常点,除此之外采集到的点云之间的重叠率较低等因素都会影响到传统点云配准方法的精度,这给传统的点云配准方法带来了巨大的挑战。在本论文中,针对上述的问题设计了一种自适应局部特征提取模型,能够根据点云的密度分布更新局部邻域的大小并进行局部特征的提取,然后又将其应用到点云配准任务中,提出了一种基于局部特征的点云配准方法,借助迭代的方式求解最终的变换矩阵。具体内容如下:1.针对点云数据没有固定的结构,密度分布不均匀,难以直接利用深度神经网络进行局部特征提取的问题,本论文提出了一种自适应局部特征提取模型,自适应局部特征模型主要由两部分组成,包括自适应邻域选择算法以及前向传播误差最小化模块。自适应的邻域选择算法针对点云的稀疏性以及密度分布不均匀的特点,通过学习扩张因子的方式来确定局部邻域的大小。前向传播误差最小化模块能够降低由于最大池化操作所引入的误差以及在高维特征学习过程中误差的不断累积,尽可能保留更多点云的细节特征。在标准数据集上的实验结果证实了本文提出的模型的可行性和有效性。2.针对点云配准中局部特征提取的问题,本论文提出了一种基于局部特征的点云配准模型。该模型描述的是一个迭代求解的过程,在模型中利用自适应局部特征提取模型对源点云和目标点云进行全局特征提取,即将自适应局部特征提取模型看作是成像函数,然后借鉴L-K光流法的思想在提取到的特征图上进行迭代,直到满足停止条件为止。这种方法将自适应局部特征提取模型与L-K光流法融合成为一个可训练的模型。在公开数据集上的实验结果证实了本文提出的模型的可行性和有效性。