近年来,随着深度传感器的普及和3D扫描技术的发展,多线激光雷达传感器的扫描应用场景增加,基于多线激光雷达传感器的同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术成为当下的研究热点。在3D激光雷达SLAM技术中,需对数据进行关联以实现位姿估计和增量式建图,而3D点云配准作为数据关联中最核心的技术,存在3D激光点云数据量大且无规则、数据密度分布不均、场景复杂且存在噪声、数据因遮挡而缺失等问题。为了提高3D激光点云配准效率,本文主要基于激光SLAM的3D点云配准优化方法进行研究,主要研究对象是3D激光点云,主要研究内容分为三个部分:3D激光点云预处理,3D激光点云特征提取和3D激光点云配准优化。针对3D激光点云预处理中的地面点分割部分,本文提出了基于二维测距图像的地面点分割方法,实验结果表明该方法具有准确且快速的地面点分割效率,可以移植到实时运行的激光SLAM算法中。在3D激光点云特征提取方面,本文研究了ISS(Intrinsic Shape Signatures)特征提取算法和Harris特征提取算法,同时提出了一种Voxel-SIFT特征提取算法,文中对比了三种算法,给出了六类不同激光扫描场景下的实验结果分析,验证了Voxel-SIFT特征提取算法的有效性。在3D激光点云配准方面,本文结合Voxel-SIFT特征提取算法,对最近邻点迭代配准算法进行了改进,提出了一种基于Voxel-SIFT特征的粗精快速点云配准的方法。该方法首先选择特征点进行粗匹配,然后采用随机采样一致性方法剔除错误匹配点并优化初始变换参数,最后基于优化后的初始变换参数,采用K维树近邻搜索法,结合最近邻点迭代配准算法完成原始点云数据的快速精确配准。通过对开源数据集以及实际采集的六个典型场景数据的测试结果表明,该方法的平均配准时间较传统ICP配准算法缩短了78%。