随着计算机技术和三维测量技术的发展，真实物体的三维重建技术在各领域的应用日趋广泛。在利用三维测量设备对物体进行测量时，由于被测物自身和环境的遮挡以及测量范围的限制，需要对物体表面进行多次测量以获取完整的表面数据。其中，三维点云配准，成为解决被测物三维测量数据拼合和完整重建的重要步骤。　　目前使用最广泛点云配准方法是最近点迭代（Iterative Closet Point，ICP）算法，算法的核心思想是采用不断迭代的方式以逼近最佳结果。由于ICP算法实现依赖源点集和最近点集的搜索匹配，通常要求待匹配点云具有良好的初始位置，否则很难取得良好的配准效果。选择合适的粗配准算法，实现待配准点云的大致重合为点云精配准提供良好的位置输入，成为决定点云配准质量的关键。基于物体形貌特征的点云配准算法是粗配准过程常采用的算法。但现有的算法对点云初始位置、重叠率等有一定的要求，因此还需对特征点描述的构建和特征点匹配进行进一步研究，以形成一种更为通用的点云配准算法。　　为此，本文在对现有基于物体自身形貌特征的点云配准方法进行了深入的分析研究的基础上，提出了一种基于物体旋转投影统计特征的点云自动配准方法，该方法的主要创新点如下：　　(1)通过提取物体表面的旋转不变特征实现点云视差相差较大具有部分重叠点云数据的自动准确配准，适用范围广；　　(2)通过引入RANSAC算法去除错误的匹配对应点，有效提高了点云配准的稳定性；　　(3)针对粗配准过程中可能出现的错误变换关系，提出了刚性变换一致性检测算法对配准结果进行检测，能够较好的排除错误的配准结果；　　(4)在ICP精配准阶段，对ICP算法的不同阶段选择使用不同的方法，形成了一种简单快速的ICP算法，且具有良好的配准精度。　　最后为验证本文所提方法，设计了一系列针对性实验，实验结果表明算法具有稳定性强、重建精度高的优点，能够满足多视点云配准的要求。