对于目前存在的大部分建筑物,往往都有其对应的建筑平面图,实现三维点云与建筑平面图的配准是一个有价值且亟待挖掘的小众研究领域。研究三维点云与建筑平面图配准方法,有助于解决诸多行业问题,为测绘勘探、室内导航、三维重建、BIM系统、SLAM、智能机器人等领域研究带来全新的思路,解决此类问题具有较高的学术价值与实际应用价值。三维点云与建筑平面图配准问题和机器人在平面图上定位的问题具有密切的关系,许多学者提出了通过蒙特卡洛定位的方法来解决这类问题,然而蒙特卡洛定位方法存在粒子退化、收敛速度较慢的问题,不适合处理大尺度场景的问题。结合最新的深度学习理论和方法,本文从点云配准的思路出发提出了基于特征匹配的三维点云与建筑平面图配准方法,实现了两者的端到端高精度配准。本文的主要研究工作如下:1)三维点云与建筑平面图特征提取方法。首先提出了三维点云与建筑平面图的预处理方法,将原始数据转换成模型可用的数据形式。其次提出了基于改进的动态图卷积神经网络方法实现两者跨维度特征的提取,针对点坐标所能提供的信息较少的问题,为网络输入增加额外的点云法向量和曲率特征信息;针对Edge Conv存在的相似特征的几何信息的利用程度低、深层网络中边特征存在退化现象的问题,本文提出了引入边特征的几何结构特征的改进方法;针对Edge Conv深层网络存在梯度消失的问题,本文提出了残差网络结构;为了实现三维点云与建筑平面图之间的特征信息交换,提出了基于图注意力网络的特征融合方法,最终输出获得用于特征匹配的特征描述。2)三维点云与建筑平面图特征匹配方法。在获得特征描述的基础上,为了更好的分离无对应关系的点对、建立匹配约束并优化匹配结果,提出了通过Sinkhorn最优传输算法,同时引入增广点实现匹配优化,再通过结合基于奇异值分解的点云配准方法,提出了本文的第一种三维点云与建筑平面图配准网络模型FPST-Net v1,通过实验验证其性能表现。3)三维点云与建筑平面图端到端配准网络。为了提升配准结果的精度,本文引入了可微分配准方法,并提出一种平移修正网络以修正配准结果z轴方向上存在的平移误差,同时改进了损失函数,最终提出了FPST-Net v2网络模型,可实现端到端训练与预测,并通过实验验证本文所提出方法的实际性能表现。在CVC-FP、ROBIN-FP和TUM Indoor数据集的实验表明,本文方法能够有效实现三维点云与建筑平面图的配准,且显示出较高的精度和较强的泛化性能、抗干扰性能。