三维激光测量方法凭借数据采集速度快、精度高的优点,在三维物体和三维场景的建模中得到了广泛的应用。然而由于坐标测量装置的视域范围限制和被测物体及场景本身的尺度以及周围环境的限制,一次扫描往往不能获取物体及场景的全部点云数据,因此需要进行不同视角下点云数据的配准拼接,以形成一个完整的场景。三维激光点云数据配准时,首先要推导出不同视角下点云数据之间的旋转平移变换关系,并将获取得到的不同视角下的点云数据统一到同一个坐标系下,这个过程就是实现对点云数据进行粗配准和精确配准。本研究针对传统的点云数据配准过程中存在着精度和计算效率不高的问题展开实验研究,试图改进现有的点云配准方法。论文对点云数据配准所涉及到的基本数学原理进行了阐述。将两个不同视角下的待配准点云分别作为源点集与目标点集,采用了基于快速点特征直方图(FPFH)描述子以及采样一致性方法实现点云数据的粗配准。先对点云数据提取关键点,计算关键点的表面法线,进一步利用法线特征计算快速点特征直方图(FPFH)描述子,然后利用采样一致性算法完成两片点云数据的粗配准。实验结果表明利用这一方法能够有效的优化点云数据的初始匹配位置。精确配准时利用粗配准得到的初始值,结合最近点迭代(ICP)算法来实现点云数据的精确配准。为减少点云数据的数据量以提高计算效率,引入了体素化网格法对点云数据进行了精简处理,再利用RANSAC算法进行错误匹配点对的去除来提高配准的精度,采用上述方法构造出精确匹配点对,利用先前研究计算出的优化初始迭代值,进行迭代,直到满足某个约束条件,最后完成两片点云之间的精确配准。与传统的最近点迭代算法相比,利用上述方法改进后的最近点迭代(ICP)算法在匹配准确度和计算速度上都有很大的提高。最后,结合PCL点云库,利用斯坦福大学点云数据库提供的bunny数据和dragonStand数据进行了实验比对,结果表明与直接利用最近点迭代(ICP)算法相比,本文提供的方法在增大匹配度和减少计算时间方面都优于传统方法。