点云配准是计算机视觉领域的一个关键问题，它是三维重建的前提之一。为了获得被测物体表面的完整点云数据，需要从不同角度对被测物体进行多次测量，由于不同视角获得的点云分别属于不同的坐标系，所以必须通过一定的算法计算出不同视角之间的坐标变换关系，从而将不同视角的数据合并到统一的坐标系下，最终得到被测物体表面完整的点云数据，这就是点云配准。点云配准的精度会直接影响到三维重建的质量。本文只涉及刚性配准问题，并对此问题进行了深入的研究，分析和总结了现有算法的优缺点，同时提出了新的点云配准算法。本文提出以下两种点云配准算法:　　1.提出了一种基于法向量的点云配准算法。该算法采用基于法向量信息的多特征直方图特征对点云进行特征描述，首先根据点云局部法向量的变化提取特征点;然后，对获取的每个特征点进行直方图特征描述，并根据此特征描述获得初始匹配点对;之后，使用随机采样一致性(random sample consensus，RANSAC)算法结合刚性距离约束条件得到精确匹配点对;最后，利用四元素法计算得到初始配准参数，并采用改进的最近点迭代(iterative closest point，ICP)算法对点云精确配准。该算法提出的多特征直方图特征描述，利用直方图的统计特性，而不是只借助某种几何特征值进行匹配点搜索，算法的抗噪声能力提高，鲁棒性好，且实验结果显示了配准的精度和速度都有一定提高。　　2.提出了一种基于邻域相似度的点云配准算法。该算法首先根据点云局部法向量的变化提取特征点;然后，利用点云局部的三种基本几何特征搜索匹配点对;之后，引入二维图像匹配中用到的归一化互相关系数(zero-mean normalized cross-correlationcoefficient，ZNCC)，用于计算匹配点对之间的邻域相似度，去除错误匹配点对从而获得初始匹配点对;最后，利用距离约束条件获得准确匹配点对并计算初始配准参数，采用改进的ICP算法进一步配准获取精确配准结果。该算法通过引入二维图形匹配中的ZNCC匹配准则来计算三维点的邻域相似度，充分利用一个点的局部区域特征，获得准确匹配点对，相比曲率、重心等单一特征算法鲁棒性更好，且本文通过实验说明了该算法的有效性。