随着传感器技术的发展,出现了许多三维扫描设备可以高效地获取三维点云数据,如机载、车载以及地基激光雷达点云等。点云三维重建在自动驾驶、虚拟与增强现实、文化遗产保护等领域有着广泛的应用。点云配准作为三维重建的关键技术,可以分为粗配准和精配准。在实际的LiDAR点云处理中当前方法主要集中在点云的粗配准中,特别是利用点、线、面的特征进行配准。本文的算法可以适用于LiDAR点云的配准,实验中以地基激光点云（TLS）数据为实验对象。LiDAR点云具有获取高效率、高精度、全球定位等特点,但场景规模大（TB级）、密度不均匀、存在严重遮挡以及噪声大等问题给点云配准带来了很大的挑战。因此,针对TLS点云的这些问题,本文主要开展了以下两方面的工作:一是针对LiDAR点云中的大规模、严重的遮挡问题,提出一种基于关键点检测和特征描述的匹配对提取策略。由于LiDAR点云规模大、场景复杂,使得点云配准中关键点存在难以确定的困难,在局部特征描述上存在大量的奇异匹配对。因此,本文首先利用曲面信息熵的方法提取LiDAR点云中的大量关键点;其次,基于局部坐标系和高斯卷积的理论方法构建了点特征描述;最后,结合超体素方法提取匹配点对,应用于点云的配准。在LiDAR点云的实验结果表明,所提方法在匹配对提取准确率和时间性能上有较好的结果。二是针对LiDAR点云中的密度不均问题,提出一种端到端的点云精配准框架。目前的深度学习的配准方法,都希望通过网络训练出一种稳定的特征来进行配准,但是现实场景中的点云由于扫描设备的不同导致点云密度不同。我们希望利用点云整体结构来进行配准,对此本文提出了一种端到端的点云精配准框架进行三维点云的配准。在非同源LiDAR点云上的实验结果表明,所提方法对点云密度变化具有鲁棒性。