三维点云处理技术是三维建模与计算机视觉重要的研究课题之一,该技术应用于生活的方方面面,例如自动驾驶、虚拟现实、文物修复、机器人视觉定位等。其中,点云配准是一项重要的点云处理技术,由于点云采集设备只能从多个单一视角获得部分点云数据,需要利用点云配准方法通过空间变换将部分数据合成为完整点云。点云配准根据点云之间的相对位置分为全局配准和局部配准,本文从全局配准的基于特征提取的方法和基于概率密度函数的方法入手,分析当前配准方法的不足,在配准效率和配准精度及配准位姿方面进行优化,本文主要工作如下:（1）基于二次误差的点云配准算法研究。本研究针对目前特征提取算法计算复杂度高,配准效率缓慢,大角度配准下容易出现误配的问题,结合二次误差算法所提取的几何特征简便且稳固的优势,本文提出了两种算法,一是基于二次误差的全局代价序列的配准算法,该算法使用点云全部几何特征参与配准,利用分组平均的方法使配准时间不会随点数增加而延长,保持了效率;二是基于二次误差的强特征点群的配准算法,该算法搜索邻近强特征描述子,只利用强特征描述子参与配准,消除弱特征描述子造成的误差,提高了配准精度。提出的两个算法在实验中都表现了良好的性能,尤其在大角度配准实验中,其他配准算法均出现一定程度误配,而本文算法依然获得不错的成绩。（2）基于高斯混合模型的点云配准算法研究。目前常用的相干点漂移算法存在计算复杂度过高、算法迭代次数过长、对离群值处理不合理的问题,本文提出了三处改进,一是引入置换面体晶格滤波模型替换原算法中概率密度矩阵,该滤波模型有效的加快了矩阵计算;二是利用全局平方迭代法对EM算法求解参数进行跳跃优化,同时给出正则化约束限制跳跃的幅度,使结果快速稳定达到目标值;三是设置迭代离群值公式,利用该公式修正了在迭代过程中噪声和异常点的干扰能力,使算法精度提升。经过与其他流行算法和原算法作对比,改进后的相干点漂移算法在性能上比原算法更好且超越其他算法。