三维光学测量技术是实现实体数字化的一个重要手段。由于物体的自遮挡、扫描范围限制以及扫描原理等原因,三维光学测量系统单次扫描只能得到物体一个侧面的点云。为了实现大体积、多曲面的三维实体重建,必须从不同视角进行扫描并通过匹配技术构造完整的实体数字化模型。因此,开展点云匹配技术的研究具有重要的理论意义和实用价值。本文对三维光学测量中的多视点云匹配问题进行了研究,提出并实现了一种新的基于塔型分解的多分辨率测量点云匹配方法。与现有的点云匹配方法相比,新方法在匹配误差及匹配效率方面均有大幅提高。主要的研究内容和成果如下:(1)研究了点云预处理技术。建立三维点云的K-D树模型,实现基于K-D树的点数据最临近搜索算法,提高点数据的邻域搜索效率及对应点查找效率;研究了点数据的法向量估计方法,实现了基于点云三角化的法向量估计以及基于局部表面拟合的法向量估计方法。(2)研究了将三维点云转化为二维灰度图的方法,实现了一种基于K邻域搜索算法和霍特林变换的灰度图转化方法。该方法可以准确地利用点云的局部特征信息,构建某一点数据的局部坐标系,并将该点数据的坐标转化到此坐标系下,最终使用所有转化后的Z轴坐标信息和原始点云的栅格线信息构建对应的二维灰度图。(3)研究了图像的塔型分解算法,实现了图像的高斯金字塔分解及拉普拉斯金字塔分解算法,并对三维点云转化后的灰度图进行分解,分别构建高斯金字塔及拉普拉斯金字塔。(4)提出了一种新的多分辨率测量点云匹配算法。首先,将点云转化为二维灰度图,并对灰度图进行塔型分解。选择合适的金字塔层进行二维种子点拾取,映射至三维点云中,组成三维种子点集,最后,使用拾取的种子点进行ICP匹配,建立完整的点云模型。在此理论基础上,采用C++和OpenGL开放图形库在Visual Studio平台实现了该算法,并与已有的点云匹配算法进行实验对比研究,实验结果表明,新方法在匹配效率及匹配精度方面均有明显提高。