三维点云配准是寻找两个或多个三维点云之间的最优空间变换关系,使其能够在空间中达到良好的匹配,它是计算机视觉、模式识别和智能机器人等领域的关键技术之一,具有重要的理论研究意义和实际应用价值。三维点云配准主要分为刚体配准和非刚体配准两大类,对于包含噪声、外点及数据缺失的点云非刚体配准算法研究仍是当前点云配准领域的一个热点和难点问题。针对包含噪声、外点及数据缺失的三维点云非刚体配准,本文在深入研究传统迭代最近点（Iterative Closest Point,ICP）算法的基础上,给出基于改进ICP的三维点云相似配准和仿射配准算法,主要研究内容包括:（1）针对三维点云数据中含有大量噪声和外点情况下的相似配准问题,本文给出了一种基于改进ICP的三维点云相似配准算法。考虑到伪Huber损失函数对于噪声和外点均具有抑制作用,通过引入伪Huber损失函数,建立三维点云相似配准优化模型,以提高三维点云相似配准的精度。在此基础上,利用尺度一致性准则求解初始尺度因子,从而将相似配准问题转换为刚体配准问题。最后,根据尺度因子取值区间迭代求解刚体变换矩阵和平移向量,以求解最优尺度因子和刚体变换。实验结果表明:本文所给算法能够有效处理包含噪声和外点的三维点云相似配准问题,其相似配准精度高。（2）针对一般仿射配准算法对含有噪声和数据缺失的三维点云仿射配准鲁棒性和精度不佳的问题,本文给出了一种基于改进ICP的三维点云仿射配准算法。该算法在建立基于伪Huber损失函数的三维点云仿射配准优化模型的基础上,采用独立主成分分析（Independent Component Analysis,ICA）算法求解仿射变换初值,并利用仿射迭代最近点算法框架对仿射变换进行优化,以获得最优仿射矩阵A和平移向量t。实验结果表明:本文所提算法的三维点云仿射配准算法精度高,能够有效抑制噪声和数据缺失对三维点云仿射配准精度的影响。