在摄影测量和计算机视觉领域,点云配准技术作为点云数据处理的重要步骤,对后续其他处理具有重要影响。点云配准技术按照处理过程可分为预处理、特征提取、离群点剔除以及姿态估计四个步骤。随着硬件水平的不断提升、深度学习理论的日趋完善以及数据获取手段的日益丰富,深度学习在特征提取方面的优势正逐渐凸显,并在三维点云配准领域展现了巨大的应用潜力。本文以深度学习方法为主,按照这四个步骤对点云配准技术进行了深入的研究。主要研究内容以及创新点如下:（1）针对当前基于深度学习的点云降噪方法缺少迭代导致噪声分布估计不准确的问题,本文提出了一种基于噪声分布估计的双阶段点云降噪网络,该网络通过增加噪声分布描述和网络迭代,实现了特征分布和噪声估计的迭代精化。实验结果表明:（1）噪声在0.25%以下时,同时估计噪声分布均值和方差统计量,降噪效果最佳;噪声在0.25%至1.5%之间仅估计均值统计量效果最佳,且在多种类型噪声条件下均适用;（2）在10K至50K密度点云上,最佳邻近点个数与点云密度呈正相关;（3）精化预测网络模块比初始预测网络模块对降噪精度影响更大,神经元数量比模块数量影响更大。（2）针对传统人工设计的特征描述符FPFH无法基于数据学习且泛化能力差,而基于深度学习GNN的特征描述符鲁棒性弱的问题,本文提出了一种权重自学习的FPFH＿pro方法,使邻域点特征的权重能够基于数据自学习,从而增加方法的泛化性,在此基础上,通过孪生网络将FPFH＿pro、GNN所提取的特征以及两者的相关性特征进行深度融合,形成更具鲁棒性的特征。实验结果表明:（1）FPFH＿pro方法比经典的FPFH方法配准精度更高;（2）若精度相近的两种方法融合,则性能会提升,在0%至3%噪声强度范围内,融合后的特征具有更强的泛化性;（3）融合方法单次迭代速度与FPFH方法相当,但收敛更快,从而提升了模型的训练效率。（3）针对传统点云配准方法难以兼顾配准精度和效率的问题,本文提出了一种结合点云滤波和自适应烟花算法的配准方法,在基于KD-tree的ICP算法基础上增加了点云滤波过程和自适应烟花粗配准过程,能够同时提升配准精度和配准。实验结果表明:（1）基于KD-tree的ICP算法能够同时提升配准精度和速度;（2）在使用基于KD-tree的ICP算法进行精确配准之前,增加基于自适应烟花算法的粗配准过程可以使配准精度提高一个数量级;（3）配准精度与烟花数量相关,在数量为15时达到最优。（4）针对带有微小噪声的点云存在配准点不一一对应,而基于无监督深度学习的点云配准方法中损失函数的点对约束方式不合理,导致配准精度不足的问题,本文提出了一种基于潜在表面的无监督深度学习点云配准方法,该方法能够通过深度学习网络预测点云的潜在表面,然后通过潜在表面对两个点云进行配准。实验结果表明:（1）潜在表面预测模块和潜在表面一致约束能够提升模型的配准精度;（2）噪声在一定范围内时,利用预测的潜在表面能够有效提升配准精度。噪声超过阈值时,可能会导致预测表面存在偏差,进而影响最终的配准结果,可通过本文的降噪网络降低噪声,从而提升配准精度;（3）基于潜在表面的无监督深度学习点云配准方法在精度和性能方面均优于本文提出的传统点云配准优化方法,前者训练模型过程耗时长,后者适合少数据量、低精度场景。