室外场景三维重建在自动驾驶与其他机器人应用中是一项重要的任务,拥有准确的环境表征是车辆或机器与环境安全交互的必要条件。自从深度相机被广泛应用,基于体积深度融合的三维模型重建算法由于其鲁棒性和高质量重构的优点,常被应用在三维重建技术中。然而激光雷达传感器在室外场景下是获取深度信息的主要途径,本文研究的就是使用激光点云进行点云配准与三维模型重建。点云配准是三维模型重建的基础,可以基于传统的配准算法进行初始配准阶段的改进;三维模型重建使用截断符号距离函数进行体积深度融合,需要解决的是室外场景下激光点云的稀疏导致的重建模型表面出现不连续三角面片的问题。基于上述问题,本文对基于激光点云的室外场景三维重建框架展开研究,主要的研究内容如下:（1）对点云进行了滤波与降采样的预处理。由于室外场景下的激光点云数据可能存在较多噪声且点云数目较大,会影响计算精度和效率,所以选择了PCL库中的统计滤波器和网格滤波器分别作为点云滤波和降采样的方式。（2）对基于样本峰度特征的室外场景点云配准进行了研究。提出一种基于样本峰度特征的初始配准算法。首先对点云分块,计算每一块的样本峰度作为该块点云的特征,匹配出点云之间特征相似的点云子集,对子集进行配准,再将此算法与ICP精确配准算法相结合,为精确配准提供初始位姿。经过实验证明,新的初始配准算法可以加快ICP精确配准阶段的收敛速度,同时还对比得出点到面ICP算法优于点到点ICP算法的结论,最终选择点到面ICP算法应用到三维重建当中。（3）对基于体积深度融合的室外场景三维模型重建进行了研究。提出一种改善稀疏激光点云导致的重建表面不连续不成型的方法。首先通过局部配准将连续多帧点云拼接到同一帧位置来增加点云稠密度,再对该点云投影后的深度图进行空像素填充,使得深度信息更加稠密。经过实验证明,利用该方法得到的深度图进行体积深度融合,重建得到三维模型与稀疏点云融合后的结果相比,大大提升了三角面片的稠密度、连续性以及模型的真实度。