近年来,人工智能和物联网技术的迅猛发展,带动了各领域的大变革,如工业上的智能制造、医学上的智慧医疗、城市规划上的智慧城市和人们生活中的智慧家居等。在各智能系统中计算机视觉技术起着至关重要的作用。而三维点云配准技术是计算机视觉领域的重要技术之一,该技术主要应用于物体或场景的自动化三维重建。在智能应用需求不断增加的背景下,对三维点云配准技术进行深入的研究具有重要的意义。虽然国内外学者在该领域已提出了众多不同的技术方法,但在大多实际应用中主要依赖于经典的最近点迭代(Iterative Closest Point,ICP)法,其通过搜寻待配准点云每点在目标点云上的最近对应点来获得相应的变换参数,并不断地迭代该过程来完成点云配准。但ICP算法对准点云间的初始位置具有较强的依赖性,当两点云数据初始位置较差时,使用ICP算法,其收敛速度较慢且容易收敛到局部最优,这也是导致配准效率和精度下降的重要原因。本文正是基于ICP配准方法进行了深入的研究,并提出了一些改进的策略。本文的主要研究内容如下:首先,本文提出了基于体素下采样和关键点提取的方法。针对解决ICP算法对初始位置依赖问题,采用在ICP算法前对原始点云数据先进行初始配准的策略。为了提高点云初始配准的效率和精度,在点云初始配准前期,对点云的下采样和关键点的提取技术进行了研究。该方法通过唯一的参数下采样率,来快速估算出合适的点云体素大小,然后根据体素对点云进行下采样;在关键点的提取上,本文根据点不同邻域半径的法向量夹角特性来提取点云的特征点集,关键点的提取是点云初始配准的重要步骤。其次,本文提基于错误关键点对剔除的自动配准算法。在提取关键点的基础上完成点云的初始配准和精确配准。在点云的初始配准阶段,使用了快速点特征直方图(FPFH)描述子对关键点对进行描述和匹配,由于FPFH描述子并不能完全准确的对所有的关键点进行描述,导致存在较多的错误匹配点对。该方法主要是根据匹配的关键对的向量夹角性质对其进行错误点剔除。从而对错误匹配点对剔除后的关键点对使用随机采样一致性算法(RANSAC)完成点云的初始配准。在点云的精确配准阶段,直接使用kd-tree结构的ICP算法对初始配准后的点云完成精确配准。最后,分别对本文提出的改进方法采用不同的点云数据进行了仿真实验。通过多组实验仿真对比并证明本文的自动配准方法具有可行性和有效性。