随着三维场景数字化技术的发展，人们获取真实物体三维点云模型的途径愈发丰富。通过设备采集或多视图重建得到的分片点云模型需要进行配准生成完整模型，而由于获取途径不同或设备误差影响，分片点云往往具有放缩尺度不一致，初始相对位置关系不可靠，重合区域占比不高且噪声较大等问题。本文提出了一种尺度可变的快速全局点云配准方法，从点云中首先提取局部特征信息并进行匹配，在特征匹配关系确定的情况下，交替优化目标函数中的不同分量，使之收敛至最优解。由于目标函数带有鲁棒核，从而对实际问题中不可避免的特征错误匹配所带来的干扰具备较大容错能力。此外，本文设计了完整的端对端点云匹配流程，提出了考虑尺度差异的局部特征匹配方法，且对于高维特征描述子使用降维方法大幅提升匹配速度。我们在多种类型的数据中进行测试，实验结果表明，本文方法在处理尺度不一致的点云模型配准问题中兼具效率与效果优势，与点云的初始相对摆放位置无关，且对于较大噪声和低重合比例的数据均具有稳定性。