近年来,随着科学技术的不断发展,三维数据的获取也变得更加快捷和准确。这也促进了三维点云模型在三维重建等领域中的广泛应用。而点云特征线的提取是点云数据的基础研究内容之一,也是后续三维重建的基础,所以点云特征线在许多方面有着重大的作用,对点云特征线的研究也有重要意义。本文主要以特征线的提取作为重点进行研究。提取点云模型特征线的流程就是首先通过计算识别出特征点,然后将特征点连接称光滑特征线。由于传统特征线提取算法存在鲁棒性差和对细节不敏感等缺点,本文提出了基于深度学习的点云特征线提取算法,并将提取出的特征线运用到点云对齐中,主要研究内容有以下几点:（1）针对散乱点云的主曲率方向计算方法都存在鲁棒性差、实现效率较低等缺点,提出了两种方法,第一,将主曲率方向计算转换为寻找局部曲面法向量变化极值问题进行处理。第二,利用PCPNET网络进行改进,利用PCPNET进行点云主曲率方向计算,同时,对两种算法进行对比。（2）针对现有特征线提取算法对存在鲁棒性差且对细节不敏感的缺点,基于PCPNET神经网络提出了一种对噪声和非均匀采样具有鲁棒性的曲率值和主曲率方向的计算方法,并在其基础上提出了一种特征线提取算法,该算法利用加权二次曲线拟合局部曲率分布,并通过判定在最大主曲率方向上与二次曲线极值点的距离实现脊谷特征点的识别;最后,通过建立细化后潜在特征点的最小生成树（MST）实现特征点的连接,完成特征线的提取。实验结果表明,与现有特征线提取算法相比,该方法运行效率高、抗噪性好,能够得到光滑的特征线。（3）将利用本文算法提取到的特征应用于点云对齐中。通过本文算法提取出的特征线,计算特征线上的拐点,并利用3DMatch计算拐点描述符来完成点云对齐,特征线的拐点数量少且重复性高,既提高了对齐效率,也保证了对齐精度。