建立点云序列之间点对点的对应关系是三维计算机视觉和模式识别领域中一个基础而关键的问题,在三维重建、目标识别与跟踪、地图构建与定位、物体抓取等方面均有着广泛的应用,是目前研究领域关注和研究的热点。这种对应关系的建立主要依赖对点云局部局部区域进行特征描述与特征匹配。点云局部特征描述的目标在于利用特征向量来表征隐含在局部曲面内的几何与空间信息,特征匹配旨在通过度量两组点云特征集中任意两个特征之间的相似性确定初始对应关系并筛选出正确的匹配子集。但是,实际应用场景中经常带有噪声、数据分辨率变化、遮挡和嘈杂等干扰,将使点云局部特征描述和匹配性能显著退化。为了有效解决上述问题,本文提出了如下方法:首先,针对在噪声、数据分辨率变化、遮挡和嘈杂情况下的稳定特征描述问题,本文提出了基于正交投影(triple orthogonal local depth images,TOLDI)的点云局部描述子。为了达到旋转不变性和对局部空间信息的充分解码,本文提出利用法向量和加权投影向量为点云局部曲面计算局部参考坐标系,该局部坐标系具有可重复性高、泛化性强的特点。基于该局部参考坐标系,本文提出一种新的形状特征表达方式,即利用三维到二维之间的正交投影以获取若干局部深度图并将所获得的深度图串接拉伸为一维特征。得益于局部坐标系的高可重复性和特征表达的强描述性,TOLDI描述子同时在形状检索、点云配准和三维目标检索数据库中取得了当前领先的匹配性能。其次,针对在保持强鉴别能力和鲁棒性前提下的轻量化特征描述问题,本文提出了旋转轮廓描述子(rotational contour signatures,RCS)及其二值化变种。基于旋转投影机制和轮廓表征,RCS在解决TOLDI维度冗长问题的同时拥有强描述性和鲁棒性,也表明了轮廓对于三维局部特征描述是一种有效、紧凑的表达方式。此外,本文提出了三种将RCS描述子二值化的方法,分别为阈值转换法、量化以及几何二值化编码。所生成的RCS二值化变种在保留了原始RCS描述子主要描述性的基础上大幅度地提升了储存和匹配效率。再次,针对低层和高层点云局部特征融合问题,本文提出了基于深度学习的特征融合方法。当前用于生成描述子和增强匹配性能的特征融合方法主要依赖线性操作,例如串接和最小池化。但是,线性操作会造成特征冗长和无法充分利用不同描述子之间互补信息的问题。因此,本文提出了一种基于深度学习的方法来非线性地融合局部几何特征。本文表明利用三支路连体网结构可以融合得到紧凑且描述能力强的特征。此外,本文设计了一种新的损失函数来充分挖掘三元组内二元项之间的两两相互关系。实验结果证明本文提出的特征融合方法在特征匹配和点云配准性能上均优于传统方法。另外,针对高离群点率下的点云特征匹配问题,本文提出了基于一致性投票的特征匹配算法。由于错误匹配的空间分布通常是杂乱无章的,而正确匹配的分布却有很强的一致性。因此,本文从匹配两两兼容性的角度出发,设计了一种利用投票置信度对匹配正确性进行判别的机制,能有效从掺杂大量误匹配的匹配集中筛选出正确匹配子集。该方法显著优于传统基于特征相似度的匹配策略并且具有一定的实时性。最后,本文将所提出的技术应用到航天领域的非合作目标位姿估计与三维重建问题。针对仿真和扫描的非合作目标模型数据,本文方法在旋转、平移、噪声干扰、目标距离变化等场景下均能精准地估算出非合作目标的角速度、主轴等姿态参数。根据估计的姿态参数以及敏感器在不同时刻捕获的点云序列,本文方法能精准地重建出目标的外形结构。以上技术最后被集成为一套软件系统,具有实际使用价值。本文针对点云局部特征描述和匹配领域目前存在的一些问题提出了若干普适、通用的方法,并且有效地解决了一个实际应用问题,研究成果在学术界具有启发意义、在工业界具有重要的应用前景。