随着机器人、传感器等硬件设施的普及,三维点云成为描述生活中物体与场景的新形式。但传感器采集点云数据的范围是有限制的,无法同时采集完所有角度的点云数据,所以点云配准技术被提出。点云配准作为研究热点,常应用于无人驾驶、文物修复和医学病灶检测等各个领域。目前,研究学者已经提出很多点云配准算法,这些点云配准算法能够很大程度降低配准的旋转误差与平移误差。但点云配准算法仍然存在一些不足,表现在由于传感器物理结构的限制和外界条件的影响,导致点云存在噪声和数据不全的情况。使用传统手工制作的特征对点云配准,无法满足动态学习特征的要求。目前流行的神经网络算法主要处理欧几里得数据,但点云是非欧几里得数据,直接使用卷积神经网络会丢失点云拓扑结构,增大旋转误差与平移误差。因此,本文设计了一种基于图注意力网络的点云配准算法,使用公开数据集Model Net40作为实验测试数据对算法的有效性进行了验证,并分析了算法的运行效果。本文的研究内容和取得成果如下:（1）进行了图注意力网络特征提取算法设计。此算法主要包括关键点提取、关键点编译和关键点特征更新三个模块。本文在关键点的编译模块中,使用混合特征编译方法,融合点云位置、邻域边和空间信息三种特征来加强关键点特征信息;在关键点更新模块中,采用图注意力网络保留点云拓扑结构,将自我注意力和交叉注意力网络层形成联合特征,对关键点云的联合特征更新。（2）进行了基于图注意力网络的点云配准算法设计。基于图注意力网络的点云配准算法,由图注意力网络提取特征的模块和三个点云配准模块构成,分别为得分矩阵模块、退火算法模块和配准后验模块。此算法首先获取上文得到的联合特征,然后求解联合特征的相似度形成得分矩阵;其次将求解点云配准问题转化为求得分矩阵中最优路径的问题,利用退火模块得到软分配配准矩阵;最后采用配准后验模块,去掉误配准点云对,降低配准误差。（3）在Model Net40数据集中进行对比和分析,验证了本文提出的算法的正确性和有效性。首先对Model Net40数据集进行处理,形成干净数据集、噪声数据集和局部数据集。其次对比改进混合特征前后、改进网络结构前后和加入配准后验前后这三种纵向对比实验。三种算法经过改进后,在干净数据集中的MAE（R）分别降低了0.0872、1.1971、0.0104,MAE（t）分别降低了0.00012、0.00082、0.00013;在噪声数据集中的MAE（R）分别降低了0.2959、1.2602、0.25206,MAE（t）分别降低了0.00321、0.00084、0.00209;在局部数据集中的MAE（R）分别降低了1.2385、3.2551、0.8206,MAE（t）分别降低了0.01249、0.04999、0.01551。最后与七种点云配准算法做横向对比实验。在干净数据集、噪声数据集和局部数据集中,本文算法比表现最好的经典算法的MAE（R）分别提高了0.2516、降低了1.433、降低了4.9041,比表现最好的经典算法的MAE（t）分别提高了0.00921、降低了0.01302、降低了0.00339;比表现最好的主流算法的MAE（R）分别提高了0.0011、降低了0.0839、降低了0.0681,比表现最好的主流算法的MAE（t）分别降低了0.00081、0.00057、0.0012,由此证实了算法改进的有效性。