在畜牧养殖业中,传统的接触式羊体尺测量不仅测量精度低,耗时长,且易使羊产生应激反应等问题,因此无接触体尺精准测量成为目前畜牧养殖业中的研究热点。其中,羊体点云配准以及分割技术是利用机器视觉实现羊体尺无接触精确测量的关键环节。能够将不同视角采集到的点云较好地配准并从复杂背景中精确地分割出羊体点云,可有效地提高无接触式羊体尺测量精准度,从而对羊进行准确地体征分析,如体尺、体重等。本文主要从不同视角下的羊体点云初始配准、羊体点云精细配准和具有复杂背景的羊体点云分割三个方面展开研究,论文主要研究内容如下:（1）针对基于单一特征提取关键点易产生非关键点导致初始配准精度低的问题,提出一种基于邻域与曲率特征参数的初始配准方法。利用邻域特征参数以及曲率特征参数依次对不同视角下的羊体点云进行关键点提取,根据FPFH描述子的相似性,利用采样一致性算法完成羊体点云初始配准。与基于单一特征的初始配准方法相比,基于邻域与曲率特征参数的羊体点云初始配准效果更好,精度更高。（2）针对传统ICP算法逐点查找最近点对导致精细配准效率低的问题,提出基于k-dtree的改进ICP方法。通过对羊体点云建立k-dtree索引结构,加快源点云中的点在目标点云中搜索欧氏距离最近点的速度,进而在确保精细配准精度的基础上,提高点云的配准效率。（3）针对具有复杂背景的羊体点云图像利用传统点云分割方法导致分割效果不准确的问题,提出改进的K-means羊体点云分割方法。通过引入曲率信息,对点云间的距离进行重新定义,实现羊体点云数据曲率变化显著部位的准确分割。同时,利用曲率排序选取初始聚类中心,避免了传统K-means分割算法随机选择初始聚类中心导致分割结果不稳定且分割效果不准确的缺陷,保证了分割结果的唯一性,提高分割结果的准确性。