三维激光扫描技术在测绘中的应用越来越广泛,对其研究也越来越深入,它的出现打破了传统测量数据的获取与处理模式,带动了测距技术的一次变革。对其扫描数据(点云)的研究成为当前的一个关键的研究方向。本文使用实验室激光扫描系统获取的三维点云为研究对象,对点云配准算法展开了深入的研究。首先介绍了与点云数据相关的一些基础知识,详细地论述了点云数据的配准,然后在总结分析国内外学者专家理论研究的基础上,提出利用粒子群群优化算法进行点云配准并将当前先进GPU并行加速技术与以融合,最终得到一种全新的兼顾速度和精度要求的配准算法。第一,对目前三维激光扫描技术相关知识进行深入了解,获取当前软硬件技术最新的前沿动态,在总结整理相关资料的基础上,确立本文所需要展开的工作以及工作方法、工作目标。第二,系统的介绍了三维激光点云数据配准的技术基础,类似于其它的测量数据,点云数据同样涉及到坐标框架问题,文中分析了与点云数据相关的坐标系,并推导了各种坐标系统之间的转换关系。第三,在深入研究经典ICP算法和群优化配准算法的基础上,经过多次实验对比,总结出各自算法的优势和不足。针对ICP算法对点云初始位置要求高的问题和基于群智能优化的点云配准算法计算耗时长的问题,提出一种基于CUDA的并行粒子群配准算法。该算法利用粒子群算法各粒子天然的并行性,将求解最优值的运算过程分配到GPU中的各个线程中计算出点云的相对位置变换参数,进而经过坐标变换使两片点云统一到同一坐标系下。GPU在设计之初就是作为众核并行处理器来设计的,这种架构非常适合将相同指令、不同输入数据发送到众核上分别进行处理。本文在深入研究GPU并行机制的基础上,在计算机上搭建CUDA软件平台,将所设计的算法通过编程转化为可利用GPU并行计算的配准软件。GPU多线程运算同时执行互不干扰,其蕴含的海量计算能力得以释放,极大的提高了粒子群算法的运算速度,从而可以实现点云的快速、精确配准。第四,基于上述配准方法,调整配准软件各项参数,在采用不同点云数据的情况下,观察各组配准效果。并设计不同的对比实验,记录实验结果。结果表明,本文算法既克服了ICP算法对点云初始位置要求高的缺点,又有效解决了基于群智能优化的点云配准算法计算时间长的问题。