配准技术是指将不同时间、不同视角或者不同传感器在不同条件下获取的包含相同场景的两幅或者多幅图像或点云进行匹配对齐的过程,是很多计算机视觉任务的基础,在三维重建、目标识别跟踪、变化检测、模式识别等任务中均有着广泛的应用。基于点特征的配准方法是目前应用范围最广的配准技术之一,因为点特征具有较好的稳定性,不易受到形变、噪声的干扰,同时对待配准的图像或点云没有很高的重叠要求。但是,在实际应用过程中,由于物体运动、相似结构、噪声、扭曲、遮挡等干扰,基于特征的配准算法仍面临着诸多挑战。因此,针对以上问题,本文充分结合局部和全局信息的优势,提出了以下两个基于点特征的图像配准和点云配准方法提高配准精度。（1）针对图像配准任务中相似重复信息及噪声的干扰,导致特征点错误匹配的问题,提出了一种基于局部和全局约束的两阶段图像配准算法。首先,该方法结合特征点之间的局部拓扑一致性信息和局部特征一致性信息作为约束将误匹配消除问题转换为优化函数求解的问题,筛选出高精度的点对集合。之后利用这些点对计算出待配准图像的全局变换信息,最后通过动态阈值和全局信息对其他正确匹配候选进行判断,提高结果的稳定性。实验结果表明,经过挖掘特征点周围的拓扑一致性和特征一致性信息可以有效提高结果的鲁棒性,得到高精度的匹配集合。通过全局信息和动态阈值可以有效增加正确匹配数量,可以缓解仅仅靠局部一致性信息在相似场景较多,形变较大的场景下容易造成正确匹配遗漏的问题。（2）针对目前点云配准任务特征鲁棒性低,配准精度不高的问题,通过将图像配准思路拓展到点云配准领域,充分发挥局部和全局信息的优势,提出了一种基于局部和全局特征融合的点云配准模型。首先利用深度神经网络在特征提取方面的优势,结合多尺度局部特征和全局特征得到点云的融合特征,增加特征的鲁棒性。然后通过对大量样本进行学习得出有利于配准的信息,并依据这些信息为之前得到的融合特征赋予不同的选择权重,丢弃可能构成错误匹配的融合特征,增加正确匹配的概率。最后利用注意力机制同时挖掘源点云和目标点云的相关性信息并通过一个topk模块进行二次特征选择,以便于在后续处理流程中尽可能的减少错误匹配的数量。实验结果表明,该算法可以有效提高点云配准的精度和鲁棒性。