点云配准中的传统描述子鲁棒性比较低,并且生成的点云之间的特征点匹配对只有局部的对应关系,缺乏匹配对之间相互关联的全局信息。鉴于此,本文针对传统描述子的局限性,提出了一种基于PointNet孪生网络生成的点云局部描述子的配准方法。本文的主要贡献可概括为以下两个方面:一是构建了一种基于PointNet孪生网络的三维点云描述子,较好的解决了三维点云之间特征点匹配的问题;二是提出了一种特征点匹配对间的相似性系数的计算方式,关联了匹配对之间的相互信息。并使用谱聚类的算法以及同名点与空间邻近信息的约束,剔除了三维点云之间的大量错误特征点匹配对,较好的提升了点云配准的精度。本文的主要研究工作如下:基于PointNet孪生网络的点云局部描述子。PointNet网络是一种基于三维数据的网络,孪生网络结构是一种在二维图像中进行相似性判别的神经网络结构,通过结合PointNet网络与孪生网络结构,可判别三维点云数据的相似性。进一步的,将孪生网络输出的特征向量作为输入的局部三维点云数据的描述子。该方法在两个点云场景上进行了测试,并与传统的三维点云描述子进行了对比。本文提出的方法在测试数据上误差θ的均值为0.3358,方差的均值为0.1770,比传统方法(FPFH、SHOT)都要低,验证了本文提出的描述子的鲁棒性。基于图结构的错误点云匹配对的剔除。通过综合点云匹配对之间距离与角度的相似性因素建立点云匹配对之间的相互关系,并使用相应的图结构以及相似矩阵表述点云匹配对的全局信息。然后基于谱聚类的方法得到候选的正确匹配对,并根据同名点与位置信息的约束,获得最终的正确匹配对。最终使用SVD的方法求解刚体变换关系,完成点云数据的配准。该方法在三个点云场景上进行了测试,并与RANSAC、博弈论的配准方法进行对比。本文提出的方法的平均提升了39.9%的匹配对的准确率,相比较与最近邻的方法和博弈论的方法,本文方法的匹配对准确率最高,验证了本文提出的基于图结构的方法的有效性与优越性。