随着现代工业对生产效率和产品质量的要求，计算机辅助制造工程已经成为现代计算机科学的重要成分三维点云配准算法是计算机辅助制造工程中较为重要的分支，通过点云配准算法的研究具有可以起到控制工业生产测量精度误差和加快工业生产进度等的作用三维点云配准算法是为了得到完整的测量物体，原理上就是对多角度测量的点云数据信息进行信息整合它的核心问题包含两方面：第一，是否能够从待配准的点云数据中准确提取出相互对应的特征点集第二，是否能有效降低噪声信息对点云配准的影响针对以上关键问题，本文主要从以下三点进行研究（1）要掌握三维点云匹配算法，首先需要掌握二维特征点提取及匹配本文深入研究了二维序列图像特征点配准算法，并提出了改进措施为了提高现有拼接算法的准确性和时效性，首先考虑到照片曝光度和拍摄角度的不同造成两待拼接图像共有特征区域不易匹配，采用高斯滤波对图像平滑处理来消除一部分噪声点其次针对特征点提取后不容易匹配或匹配经常失败的图像，采取人工相同特征区域标记，并以此为准通过距离和角度的关系消去SIFT算法提取的两图不匹配的特征点，减少后续匹配时间和提高图像拼接成功率（2）对工业测量中稀疏三维点云配准算法进行了研究工业制造对精度有较高的要求，需要进行精度测量来评价待测产品是否符合工业标准本文提出了两阶段稀疏点云配准新方法，先利用主元分析法（PCA）对两点云进行预匹配，使空间坐标归一然后判断两点云最近点迭代（ICP）均方差是否小于设定阈值，如果均方差大于阈值，则采用随机抽样一致性（RANSAC）算法取重合度高的匹配点对，进行下一次点云配准采用RANSAC算法目的是保证得到最优空间坐标转换参数，使得点云配准精度更高，通过实际数据验证，本文所提方法的精度高于现有常用方法，进而证明了本文方法有效性和正确性（3）三维密集点云数据特征配准的研究目前常用点云匹配算法是ICP算法，ICP算法具有两待配准点云的旋转角度不能过大等缺点本文提出了用两阶段改进算法，先使用PCA进行点云数据粗配准，使得待配准点云数据基本坐标位置对应然后对粗配准后得到的点云数据进行多新息卡尔曼滤波处理，起到减少点云噪声的作用最后利用多次ICP进行点云数据精配准，使得待配准点云数据得到好的匹配效果本文通过标准测试集Stanford Bunny和实际工程数据进行算法验证，最后结果表明本文算法的实用性和有效性