配准技术指将不同时间、不同传感器在不同条件下获取的多幅图像与点云数据进行匹配对齐的过程,是计算机视觉中十分基础且重要的问题,在三维重建、视觉同步与定位、目标识别与跟踪、检索等计算机视觉任务均有着广泛的应用。基于特征的配准方法主要根据对特征关键点邻域进行特征描述以及对关键点特征进行匹配。特征描述旨在生成一个高维向量表征关键点的邻域信息;特征匹配针对待配准的图像或点云数据的特征点集确定特征点对应关系。然而,在实际应用中常常由于运动物体、重复结构、噪声、遮挡等干扰,使得特征描述和特征匹配鲁棒性较差,配准精度较低。为了解决上述问题,本文对图像与点云配准算法进行了研究,主要包括以下两方面的工作:（1）为了将一系列局部图像拼接,得到更大视野的场景,需要求得局部图像之间的旋转平移矩阵。针对随机采样一致性算法中的精度及效率受特征匹配集合中误匹配影响的问题,本文基于空间一致性假设,提出一种误匹配剔除算法。首先,本文采用SURF算法和最近邻比值法计算图像之间的特征匹配;其次,对初步生成的匹配点集计算相对运动斜率和相对运动距离,采用基于密度聚类的DBSCAN算法对特征匹配点集进行聚类,剔除聚类结果中的异常值;最后计算空间变换矩阵,将两图像变换到同一平面进行融合。利用实际数据证明了本文所提算法可以有效对特征匹配点集进行提纯,提高配准精度,并将其应用至无人机航拍图像序列进一步验证了本文提出算法的有效性。（2）为了更好地重建三维点云场景,需要对三维彩色点云配准进行研究。点云配准本质也是求解待配准点云之间的空间旋转平移矩阵。针对目前传统点云描述算法中较少利用点云颜色信息的问题,本文提出一种针对彩色点云数据的局部描述子,应用于点云配准。首先将待配准彩色点云数据投影为图像;其次,采用SURF算法分别计算关键点;然后,使用卷积神经网络和方向梯度直方图计算关键点的局部特征并生成匹配点对;最后,根据像素点与点云数据间的对应关系,进而计算两幅点云之间的旋转平移矩阵实现点云粗配准。本文以实际的三维彩色点云数据,与多种配准算法进行对比,验证了本文所提方法的有效性。本文提出的基于密度聚类的误匹配剔除算法可应用至无人机序列图像拼接,遥感图像多模态数据融合等任务,基于局部描述子的三维彩色点云配准算法可以很好的对大场景的三维彩色点云数据进行三维重建。本文实验证明了所提算法的理论和工程应用价值。