在逆向工程、文物数字化及计算机视觉等领域中,由于测量设备、物体形状以及环境的影响,导致要获得完整的点云数据模型必须从多个不同的视角多次测量。而点云配准将不同坐标系下的点云变换到统一的坐标系下,是获得被测物体完整数据模型的重要步骤。针对大量点云数据,现有的配准算法不是时间过长就是配准精度太低,难以在两者之间取得一个平衡。为解决这个问题,本文提出了基于特征提取及匹配的点云初始配准算法和基于特征点的正态分布变换算法。本文具体的工作内容如下。首先,针对现有初始配准算法在面对大量点云数据时速度慢或者精度低的问题,本文提出了一种基于特征提取及匹配的点云初始配准算法。该算法中根据每个点的平均曲率进行保留点的判断,并通过对保留点进行凹凸点的判断来提取特征点。通过分别对两片待配准的点云提取特征点,减少参与配准过程的点的数量,提高配准算法的速度。配准过程中,利用FPFH特征和Hausdorff距离进行对应点对的查找,并采用RANSAC算法剔除错误点对,从而提高对应关系的准确性。然后,针对现有正态分布变换算法配准大量点云数据时速度较慢的问题,本文提出了一种基于特征点的正态分布变换算法。该算法利用源点云和目标点云的特征点集进行配准,减少了参与配准的点的数目,去除了冗余点影响。在配准过程中,引入混合概率密度函数,并通过牛顿算法迭代求解最佳变换,保证了算法的配准精度。最后,从算法的运行时间和配准误差两方面验证了提出的配准算法的有效性,并展示了配准算法的实验效果。实验结果表明,本文算法在处理大量点云数据时,在配准的精度和速度方面均有明显的优势。