三维重建技术在逆向工程,自动驾驶,医疗影像等多个学科行业起着重要的作用,但由于大多数三维设备每次只能重建单一视角的三维点云,为了重建整个完整场景需要点云配准使得不同视角的点云完成拼接融合。因此三维点云配准技术是三维重建中的重要组成部分,直接影响三维重建效果的好坏。其中,使用深度学习实现点云配准的DCP（Deep Closest Point,深度最近点）单次迭代即可完成点云配准工作,配准速度远超传统算法,并克服了传统点云配准算法对于点云之间角度过大从而陷入局部极小值的缺点,能较好的处理大角度下点云配准。但其存在点云配准精度上有所欠缺,配准效果容易受到噪声干扰影响等问题。针对这些问题,本文主要从以下内容进行研究:（1）本文研究DCP模型的结构以及存在的问题,针对配准精度有所欠缺,在DCP模型的基础上提出基于DCP和PPF特征描述子的快速点云配准模型。该模型在Edge Conv层引入法向量,在KNN（K-Nearest Neighbor）建立近邻点时,同时对中心点与近邻点构建具有旋转平移不变性的PPF（Point Pair Feature）特征描述子,提高点云配准精确度。（2）针对DCP模型对噪声敏感,鲁棒性不强等问题,本文提出基于迭代DCP的噪声点云精确配准模型。通过多次迭代的旋转平移源点云的方法,使源点云逐步逼近目标点云。该模型使用改进的Edge Conv特征提取方式,通过局部深层特征构建出基于特征距离相似度和角度相似度的复合映射矩阵,生成假想点云从而求解出旋转平移矩阵,并对源点云进行旋转平移作为下一次迭代的输入。为了保证模型在训练时的稳定性,在每次迭代时都冻结上一次旋转平移矩阵的梯度。通过在Model Net40数据集上进行实验,改进后的两个模型对比DCP,以及多种基于深度学习的点云配准和传统配准方法的精确度,泛化性和抗噪性。对比于DCP模型,基于DCP和PPF特征描述子的快速点云配准模型在同类型测试集点云配准上评价指标RMSE（R）和RMSE（T）分别为0.39和0.0006,而基于迭代DCP的噪声点云精确配准模型在噪声污染测试集下的评价指标RMSE（R）和RMSE（T）分别0.3504和0.00035,均比DCP的误差要低,可证明改进后的DCP模型均在原有基础上精确度得到了提升。其中,基于迭代DCP的噪声点云精确配准模型在这三个测试集中的点云配准精确度均高于对比模型,达到最好的配准效果。