随着信息化水平的飞速发展，包含物体几何拓扑信息的三维点云数据在逆向工程、缺陷检测、文物保护、医学手术、3D打印、游戏娱乐等诸多领域获得了越来越多的应用。但是受限于被测物体的尺寸以及坐标测量装置的视域范围，往往一次扫描不能获得物体的全部三维点云数据，需要将不同视角下获得的点云数据拼接起来。点云配准即是寻找不同视角间所具有的旋转平移变换关系，将不同视域下的点云数据统一到同一个坐标系下。围绕点云数据的配准这一目标，本文主要开展了以下几个方面的工作。首先，对于待配准的两个视角下的点云数据，分别称之为源点集与目标点集。采用了一种基于点签名的三维点云特征点提取方法。引入点签名的定义，在k邻域内计算三维点云数据的均方根曲率信息，统计所有点云的点签名，并绘出相应的点签名直方图与色阶图。用正太分布的特征设定某一初始阈值进行特征点的初步筛选，最后在主曲率方向上进行投影，完成对候选特征点的进一步筛选。结果表明，基于点签名的三维点云特征提取方法可以快速有效的提取到特征点云数据，且与传统方法相比，具有一定的抗噪性。其次，采用了一种基于曲率范数的Hausdorff距离约束函数，在邻域尺度范围内考察源点集与目标点集之间Hausdorff距离，设定合理的阈值，删除掉Hausdorff距离过大的点对组合，选择剩下的点集作为候选匹配点对。在此基础上，采用基于距离不变性的Greedy bound算法，在源点集与目标点集之间构造一对一的精确的匹配点对。再次，在构造精确匹配点对的基础上，通过一定的数学运算模型解算出源点集与目标点集之间的旋转平移变换关系矩阵，并据此完成两个点集之间的初始配准；在初始配准的基础上，采用一种改进的ICP算法对初始配准结果进一步优化，不断重复“搜寻目标点集中与源点集欧式距离最近的点—计算新的刚性变换矩阵并计算匹配误差”的过程，直到满足某个迭代终止条件时停止。本文在MATLAB环境下，针对斯坦福大学扫描点云数据与本课题组实验室扫描所获得的人头点云数据进行了特征点提取、源点集与目标点集之间的初始配准与精确配准的实验验证，并且与传统的方法进行了对比，结果表明，本文所采用的匹配算法流程可以获得较好的迭代结果。