随着工业技术的进步和经济的迅猛发展,逆向工程已被广泛地应用于产品方案评估、自动化加工制造和管理维护等领域。在逆向工程中,为了获取目标的三维点云模型,需对不同视角下采集到的三维点云进行旋转平移,将它们拼接成一个完整的三维点云,这就是三维点云配准技术。三维点云配准技术不仅是三维点云数据处理、模型重构的核心技术,也是逆向工程的关键技术。本文以特征点检测、特征描述与匹配、误匹配点对剔除等方法为核心,结合“先粗后精”的思路,对三维点云配准展开研究,主要内容包括:(1)重点研究了三维点云现有的特征点检测和描述方法。提出了一种结合曲面变化索引和特征值变化索引的特征点检测方法,通过该方法检测出的特征点不仅具有旋转平移不变性,而且比LSP、ISS和KPQ等方法检测出的特征点具有更高的再现性;提出了一种基于多尺度的协方差矩阵描述子对特征点进行特征描述的方法。通过该描述子可以对特征点的多个尺度的邻域信息进行低维度地准确描述,其描述性能优于PFH、USC和Spin Image等描述子。(2)深入研究了现有的特征匹配方法,提出了一种基于双向最近邻距离比的特征匹配方法。结合对数特征值度量方法,通过本文提出的特征匹配方法,可以在多尺度协方差矩阵描述子间进行准确地匹配,且其匹配性能优于基于最近邻和基于最近邻距离比的特征匹配方法。结合特征点检测、特征描述和特征匹配方法,针对三种不同类型数据,进行了三维点云匹配。结果表明:本文的三维点云匹配方法,在完整三维点云与带噪声的完整三维点云间的匹配中、单个完整三维点云与多个完整三维点云间的匹配中,均能获得较好的匹配效果,但在部分三维点云与部分三维点云间的匹配中,匹配效果欠佳。(3)深入分析了特征点误匹配对产生的原因,确立了在特征点检测阶段和特征点匹配阶段进行误匹配对剔除的思路。基于边缘点邻域内的点大多分布在一侧的特征,提出了一种边缘点检测方法,并结合特征点检测方法,对处于边缘的特征点进行剔除,降低因边缘特征点而产生的误匹配对的数量;对特征匹配后得到的特征点匹配对,提出了先k-means聚类再分裂的误匹配剔除方法,以粗细加工相结合的方式进行特征点误匹配对的剔除。将这两种不同阶段的方法应用到部分三维点云匹配中,提出了一种改进的基于特征的三维点云匹配方法,进一步提升了匹配效率,降低了匹配误差。(4)重点研究了三维点云自动配准方法,包括成对三维点云的自动配准和多视角三维点云的自动配准。在成对三维点云自动配准中,重点研究了融合特征点检测、特征描述、特征匹配、误匹配对剔除等方法的粗配准方法,以及类似ICP算法的精细配准方法。在多视角三维点云的自动配准中,重点研究了以三维点云的形状生长更新为思想的粗配准方法,和以匹配三维点云的特征点匹配对间平均距离最小为目标的精细配准方法。实验结果表明:本文提出的三维点云自动配准方法能够很好地实现多视角三维点云的自动化配准,其配准效果优于成对匹配的自动配准方法。