三维点云配准在三维重建、自动驾驶、测绘等领域发挥着重要作用,传统ICP等配准算法存在容易陷入局部最优、对噪声敏感等问题,又随着点云数据使用日益广泛,深度学习技术快速发展,部分研究逐渐使用深度学习算法进行点云配准,但是仍然存在点云部分重叠时配准方案退化、大场景点云配准误差较大等问题。本文使用深度学习算法提取点云特征描述子进行点云配准并构建基于深度学习的激光里程计方案。针对现有的深度学习点云特征描述子网络进行优化,构建适合于点云配准的深度学习网络,通过对数据和场景进行分析,对配准特征进行约束,提高在点云部分重叠时的点云配准性能和在激光里程计中的表现。本文的主要工作如下。首先,概述了本课题的研究背景和意义,分析了当前点云特征描述子提取和点云配准的国内外现状,剖析了目前点云配准存在的问题,同时介绍了部分点云数据处理算法和点云特征描述子提取算法,并且制定了本文的主要研究目标和方向。其次,针对现有的基于深度学习的特征描述子提取网络,如Point Net++在网络向前传播的过程中缺失局部特征信息和全局特征信息等问题,构建一种具有自注意力机制的多层次特征融合结构,使获取的点云特征描述子同时具备局部特征信息、全局特征信息和空间上下文信息。通过在公开数据上进行实验分析,证明该方法对配准的有效性。再次,针对现有的部分配准方法在点云部分重叠时配准退化问题,尤其在室外场景多噪声场景中配准误差较大问题,构建多特征交叉映射融合的特征描述子提取网络。通过点云Transformer结构,构建基于图卷积的交叉映射结构,根据特征相似性原理获取点对应关系,增加配准效率。通过在数据集中进行实验分析,和未增加改模块的配准进行对比,证明该方法的有效性。最后,针对室外场景构建基于深度学习的激光里程计方案,通过对点云数据进行分析,设计一种点云地面滤除方法,滤除地面点云的同时保留剩余点云的结构性;另外通过对涉外环境和数据采集进行分析,设计适合激光里程计方案的损失方案,约束点云特征负对应,增强点云特征正对应。通过实验与经典激光里程计方案、基于深度学习里程计方案进行对比,证明该方案的有效性。