随着无人驾驶、AR/VR、文物复原、人脸识别等新兴技术的蓬勃发展,三维建模成了研究人员的研究热点。三维点云数据因为具有较好的灵活性且能够构建复杂且细致的模型等特点,逐渐成为了三维建模中常见的处理对象。三维点云数据作为一种新的三维表现形式,包含着丰富的几何拓扑信息,但同时也存在不少缺陷。为了解决存在的缺陷,三维点云处理技术随之发展起来,三维点云处理技术主要包括点云去噪、点云修复、点云特征提取、点云分割、点云配准、点云表面重建等过程,本课题主要研究了不同点云配准方法在粗配准和完全配准中的比较和分析。本课题主要的研究工作如下所示:（1）完成了对Kinect v2深度相机的相机标定,得到了该相机的内部参数、外部参数和畸变参数,用平均像素误差对所得标定结果进行评估,评估结果符合误差要求。（2）完成了不同点云配准方法在粗配准中的比较分析,使用6种不同的点云配准方法对实验表现效果较好的低覆盖率的兔子的点云模型、噪声数据大的龙的点云模型、数据量大的佛的点云模型进行粗配准实验。通过比较配准过程中所耗费的时间能够得到不同点云配准方法的配准效率。通过比较配准完后的点云模型与目标点云模型在X,Y,Z轴上的旋转角度误差和平移距离误差能得到以下结论:对于低覆盖率的兔子的点云模型而言,迭代最近点的点云配准精度要明显低于其余配准算法;对于噪声数据大的龙的点云模型而言,正态分布变换的点云配准效果较差;对于数据量大的佛的点云模型而言,迭代最近点的点云配准效果较好,而正态分布变换的配准效果依然表现较差;最后还比较了旋转角度误差和平移距离误差,可以得到相对于旋转角度误差之间的较大差异,平移距离误差几乎一致。（3）完成了不同点云配准方法在完全配准中的比较分析,使用10种不同的点云配准方法对低覆盖率的兔子的点云模型进行完全配准实验。通过比较配准过程中所耗费的时间能够得到不同点云配准方法的配准效率。通过比较配准完后的点云模型与目标点云模型在X,Y,Z轴上的旋转角度误差和平移距离误差能得到以下结论:在以迭代最近点为精配准的完全配准中,基于局部特征的算法为粗配准时精度最高;在以正态分布变换为精配准的完全配准中,基于四点一致集的算法为粗配准时精度最高。再分别比较以迭代最近点和正态分布变换为精配准的完全配准后的旋转角度误差,可得到:在迭代最近点作为精配准的情况下,三维形状上下文、点特征直方图、快速点特征直方图以及四点一致集为粗配准的完全配准在X,Y,Z轴方向上的旋转角度误差相差较小;在正态分布变换作为精配准的情况下,每一种点云配准算法的旋转角度误差相差较大;在同一种粗配准的情况下,以迭代最近点为精配准的完全配准精度整体高于以正态分布变换为精配准的完全配准精度。通过上述研究,本文可以得到不同点云配准方法在不同场景下的配准特点。在选择对点云模型进行提供初始变换矩阵的粗配准时,可以优先选择基于局部特征的点云配准算法,因为该类算法在粗配准中配准精度较高,而迭代最近点和正态分布变换则不适用于粗配准;在选择对点云模型进行配准精度更高的完全配准时,可以优先选择以迭代最近点为精配准的完全配准,因为该类算法的精度和稳定性整体高于以正态分布变换为精配准的完全配准;此外由于各个点云配准方法在X,Y,Z轴上产生的旋转角度误差和平移距离误差的直观展示,可以为今后点云配准方法的优化和改进提供好的方向思路。