随着三维场景重建技术在机器人视觉、机器人感知、虚拟现实以及逆向工程等领域的广泛应用,现有采集设备因视场和物体遮挡及设备本身性能等原因,难以一次性对复杂三维场景进行精确完整的模型重建,需要多站点采集不同视角的多组数据进行配准。最经典的算法就是迭代最近点配准算法ICP（Iterative Closest Point）,ICP类算法的优点是配准的精度高,但该算法对待配准点云的初始位姿要求很高,初始位姿偏差较大的点云配准的效果不佳,易陷入到局部最优解。为减少点云初始位姿的偏差,当前主流的三维点云配准算法将配准分为对准初始位姿的点云粗配准和配准匹配点的点云精配准两个阶段。本文的主要研究内容包括:（1）提出自适应体素网格滤波算法对原始数据点云进行滤波处理,可根据待采样的原始三维点云数据量大小,自适应地修正体素网格立方体的边长大小,以此将点云数量下采样到预先设定好的数量。该方法在确保初始三维点云数据法向量和曲率稳定的前提之下,能有效的降低三维点云的数据量大小,因此减少了点云配准的运算时间,提高了点云配准算法的整体效率。（2）提出采样一致性二次距离配准算法SAC-QA（Sampling Consistency Quadratic Distance Aligment）,在快速点特征直方图求解阶段当中引入距离的二阶函数作为惩罚函数,进一步降低距离较远的邻域点权值,同时提高距离较近的邻域点权值。而后,通过传统的ICP配准算法进行精配准,得到最终的配准结果。（3）设计并实现了基于三维特征的点云配准系统,该系统实现了将斯坦福大学的Bunny、Happy、Dragon、Armadillo等数据集进行导入,点云预处理,初始配准,精确配准以及配准结果的展示,这是一个功能较为完善的配准系统。使用斯坦福大学的Bunny点云数据公开数据集进行实验的结果表明,本文算法相较于改进的SAC-IA点云配准算法在三维点云配准精度上提升了54.65%,在配准效率上提升了39.39%。此外,使用斯坦福大学的Happy、Dragon、Armadillo等三维点云公开数据集进行实验,配准的时间基本能维持在10秒以内,验证了本文的算法有效性。