三维激光扫描作为一种可以直接获取目标表面三维信息的传感技术,在复杂背景下在目标检测、识别和重建等方面具有独特的技术优势。点云配准作为点云处理中的一个举足轻重的环节,已发展成为近年来的热门研究领域,国内外学者针对点云配准提出许多算法。然而,激光雷达、Kinect传感器等现有的扫描器件在获取完整的物体表面信息时扫描得到的点云数据量是非常庞大的,且受到扫描环境的影响使得点云数据含有大量的噪声,同时由于扫描视角、物体遮挡和设备型号等限制使点云数据存在缺失不完整以尺寸及放缩等缺陷,再加上点云数据量非常庞大,导致现有的配准方法存在配准效率低、精度差等缺陷,以至于现有算法再难满足在现实工程中的应用。如何提高点云配准精度与效率是目前亟待解决的问题。因此,本文主要研究数据量大、无序、遮挡、缺失、噪声干扰以及存在放缩的条件下的点云配准算法。现有的三维点云配准算法大多是基于统计学提出的,包括独立成分分析、高斯核函数、主成分分析等。本文基于数理统计的相关性,提出了一种基于核典型相关分析的点云配准算法,该算法以统计学中对来自同一物体的多组变量计算相关性的方法为基础,以最大化相关系数为目标,从而对点云刚性变换关系进行求解。首先,采用FPFH算法在源点云中搜寻目标点云的对应点云,目的是使得源点云的几何形态与目标点云尽量一致;然后采用核典型相关分析方法估算出源点云与目标点云的变换矩阵,并根据变换矩阵求解出旋转矩阵,进而求解出平移向量。最后,利用开源数据与现场扫描数据在不同条件下同几种传统算法的配准结果进行对比,分析了本文算法在多种条件下的优点与缺陷,实验证明本文算法在效率和精度上都有较为显著的提升。同时,本文根据点云数据本身的概率分布特性,提出了另一种基于柯西混合模型的点云配准算法。该算法不考虑两点云数据的对应属性,只需要根据点云数据本身的概率分布对刚性变换的几何关系进行求解,由于点的排列顺序、噪声以及点的随机缺失不改变整体数据的概率分布,故该算法的鲁棒性较强。首先,选用相同阶数的柯西混合模型分别对源点云与目标点云数据的概率分布进行拟合,将刚性变换下的点云配准模型拓展为柯西混合模型。根据贝叶斯公式和杰森不等式构造出极大似然函数,并采用期望最大化算法(Expectation Maximization,EM)对混合模型中的各项参数进行更新直至收敛。然后,利用最大权重对应模型的协方差矩阵求解旋转矩阵,进而求解出平移向量,并根据对应模型的中心点估算出仿射比例。最后,利用开源数据与现场扫描数据在不同条件下同几种传统算法的配准结果进行对比,凸显了该算法的长处也分析了其含有的短处,实验证明该算法不仅提高了精度还改善了速度,同时,该算法能有效配准仿射情况下的点云,且具备良好的抗噪能力。最后将提出的两种新算法运用于基于点云配准的三维重建中,并采用从点云库(PCL)中选取了莱布尼兹大学的三组局部建筑扫描点云进行重建,取得了良好的重建效果。