工业生产、生活以及科学研究中,对三维重建的需求都广泛存在着,例如AR/VR,3D打印,工业生产的自动化,文物遗产的保护,计算机技术在医学领域的应用等。如今三维扫描仪器的精度越来越高,得到精细的城市大规模数据也变得容易,对于点云数据配准方法的研究在三维重建领域成为关键。随着深度学习在图像理解、语音识别、自然语言处理等方面纷纷取得一些成就,在三维无序点云的应用上也有一些进展,点云作为深度神经网络模型的训练数据一般需要预处理成特定的规格,所以在三维点云的处理上出现了向二维平面投影、基于网格划分等方法,近年也出现了直接应用无序三维点云的方法,使得三维点云包含的信息可以被模型充分学习与利用。本文主要针对室外点云配准进行研究。本文所用室外点云数据的特点是包含的建筑物较多,而建筑物上的面、线、角等结构明显,可以在点云中提取出室外物体的线结构框架,利用线结构框架本身的一些特性去提取特征;或者可以将某些特定的局部找出来,利用神经网络去提取这些局部的特征,通过训练孪生网络找出两个点云数据局部的对应关系,从而完成配准。本文针对三维点云的配准主要提出如下两种算法:一是基于点云线结构的配准方法:提取点云中的框架结构,达到简化点云的目的;在点云线结构中,按照一定的规则筛选线段,用线段之间的豪斯多夫距离、余弦相似度、长度信息作为线段特征,利用距离的排序保证旋转不变性,然后匹配另一个点云的直线段数据。二是利用神经网络对点云的表征能力,先识别出具有特殊结构的点云块,再对这些点云块里面的点进行筛选,精确定位关键点位置;训练孪生网络感知局部特征,结合网络两分支输出特征得到匹配度,从而得知每对点云块的对应关系用以配准。