作为计算机图形学和计算机视觉领域一个非常重要的研究课题,特征的提取与匹配是目标检测、跟踪与识别等任务的基础。与传统的二维图像、音频、视频等多媒体数据相比,三维点云数据描述目标场景的三维几何形态信息,并且不会受到光照变化、目标的旋转和尺度变换等的影响,因而能够更全面、真实地描述现实场景。近年来,随着点云采集设备的不断更新、三维重建技术的快速发展以及计算能力的持续增强,对于三维几何模型的研究已经成为计算机视觉和计算机图形学领域的热点方向。其中,三维非刚性模型的特征检测描述与模型配准是一个基础问题,具有非常重要的研究价值与意义,同时富有挑战性,受到了学术界的广泛关注。鉴于此,本文围绕上述任务深入开展理论和技术研究,在关键点的检测与描述、显著性区域的检测以及模型配准方面取得了如下进展。在关键点的检测与描述方面,针对当前算法无法有效地处理目标表面形变的问题,提出了一种新的基于局部特征的三维非刚性目标描述方法,包括基于同源一致性的热核签名(persistence based Heat Kernel Signature,pHKS)关键点检测器和热传播带(Heat Propagation Strips,HeaPS)局部特征描述子。在多个公开数据集上的实验显示,该方法在独特性和鉴别力方面均获得了优异的性能,并且具有很强的稳健性。最后,将其应用于三维非刚性模型的检索,并在公开数据集上验证了其有效性。在显著性区域检测方面,提出了标量域聚类演变(Scale Space Clustering Evolution,SSCE)算法用以提取三维非刚性模型上几何特征丰富的区域。该算法的特色在于可以有效地提取模型上的显著性区域,且不依赖于任何人工干预及先验知识,同时对模型数据的各种扰动保持稳健。在多个公开数据集上的实验显示,该算法在显著性和可重复性方面的性能明显超过当前最好的算法。在模型配准方面,针对当前三维非刚性模型配准存在的精确度低、复杂度高的问题,根据不同的非刚性变换表示方式,分别提出了基于分层策略的模型配准(Hierarchical Shape Matching,HSM)算法和基于均衡化函数匹配的模型配准(Balanced Functional Shape Matching,BFSM)算法。二者分别通过缩小搜索空间以及使用函数匹配矩阵表示非刚性变换,降低了问题的复杂度。在多个公开数据集上的实验显示,二者在准确度和计算复杂度方面,均获得了优异的性能。