随着获取点云设备的发展,基于各种获取设备生成逼真的三维数字化模型已成为获取物体表面信息的主要手段之一,已被广泛应用于计算机视觉、航空航天、3D打印、地形测绘、虚拟现实、考古学、逆向工程等领域。所以点云的配准与三维重建技术显得尤为重要。本文对点云配准算法与点云三维重建算法进行研究与改进。首先,针对传统RANSAC(Random Sample Consensus)粗配准算法中存在大量错误点对,影响点云配准精度以及收敛速度问题,提出一种基于错误点对剔除的无阈值改进随机抽样一致性配准算法。采用边缘点检测算法与距离约束法结合无阈值改进RANSAC算法剔除错误匹配点对,将得到最终的匹配点对进行点云粗配准。进而提高点云的粗配准精度,为下一步的精细配准提供了良好的初始位置。然后,针对传统ICP(Iterative Closest Point)算法配准精度低、运行时间长等问题,在对应点对查找、错误对应点对剔除两方面进行了改进,提出一种采用基于kd-tree的对应点查找,TrICP(Trimmed Iterative Closest Point)算法与法向量夹角阈值剔除错误点对的改进ICP算法。实验结果表明本文改进ICP算法相比传统ICP算法在配准精度与收敛速度均有提高。最后,针对贪婪投影三角化算法重建效果表面粗糙不光滑、以及点云密度非均匀时产生错误拓扑结构或者产生空洞等缺点,提出一种改进贪婪投影三角化重建算法。通过点云冗余点去除算法,去除重叠点同时均匀点云密度,然后采用MLS(Moving Least Square)算法实现点云平滑,最后通过MLS算法估计法向量进行贪婪投影三角化重建,进而取得较好的三维重建效果。