随着社会的不断进步,人们对工业产品的品质提出了更高的要求,这促使了检测技术从二维向三维的转变。如今,基于CAD模型的数字化检测技术成为主流。为了不断提高检测精度,使用的扫描设备越来越精细,获取的工件点云数据量越来越大,这大大增加了计算量。为此,本课题从精简点云着手研究,在保证配准精度不变的情况下,提高配准速度。本文的主要工作内容如下:（1）点云去噪算法的研究。要实现CAD模型与点云数据的准确配准,必定在获取点云数据上保持干净。经过分析点云获取过程中出现的噪声类型,再使用相关滤波算法进行对比,最终选择统计滤波降噪。（2）点云特征提取算法的研究。为提高点云配准精度,设备获取的点云数量越来越多。为了减少用于配准的点云数量,提出基于高斯核函数约束下的多判别参数点云特征提取算法,该算法结合点云自身的特征如曲率、法向、欧式距离等,在单侧σ原则下对点云特征做进一步的筛选,从而达到精简的点云目的。（3）点云精简算法的研究。针对传统算法的局限性,以及点云深度学习在分类、语义分割中的应用,本课题提出基于PointNet++网络点云数据精简算法,将该网络进行并联并优化输入数据。与随机采样法、欧氏距离采样法进行对比,在精简率较大的情况下,能够较好的保留点云特征。（4）点线混合配准算法的研究。结合本课题研究的对象为工件,具有线、曲面等稳定的特征,所以在精简点云数据基础之上,继续提取点云的线特征,用以粗配准,最终使用ICP算法完成点云精配准,相比直接使用原始点云数据进行粗、精配准,计算量大幅减少。研究结果表明在经过点云提取特征或点云精简的情况下,再以点云特征和点实现配准的效率更高,在提升基于CAD模型配准的数字化检测中具有重要的意义。