三维重建技术是图形学与虚拟现实的研究热点,并且在农业领域得到了广泛的关注和应用。在该技术中主要通过扫描设备获取植株的表面信息,并重建其三维模型,以便于研究植株的生长规律,并制定正确的栽培管理方案。由于扫描设备的视野限制,无法通过一次扫描获得植株的全部表面信息,为了获得植株的完整模型,必须通过点云配准技术来对齐不同视角的点云,并整合到一个坐标系中,因此,点云配准对最后生成的植株模型质量起到至关重要的作用。但是,由于植株点云的形态比较复杂,树枝叶之间存在相互遮挡的情况,现有的诸多配准算法无法对植株点云进行精确高效地配准。针对植株配准中存在的效率低、误差大、抗噪性弱等问题,本文提出了一种基于假设检验匹配约束的植株点云配准算法,分为初始配准和精配准,其研究内容和创新点如下:（1）针对离群点对初始配准的影响,本文提出了一种PCA（Principal Component Anal-ysis）点云初始配准改进算法,通过正态分布对顶点的邻域距离均值进行统计分析,提取出非离群点用于计算两个点云的主方向,并以主方向作为两个新的参考系进行对齐,从而完成初始配准。实验表明,相对于传统的基于PCA的点云初始配准算法和其他初始配准算法,本文的PCA初始配准改进算法能够有效地降低离群点的影响,使得整体配准效率提升了约30%～93%,且在标准点云上的非离群点提取率达到98.6%～99.6%,不会破坏点云的原始结构。（2）针对精配准的点对选取过程,本文提出了基于假设检验的点对匹配约束和基于均匀分布的候选点对搜索策略。前者通过将候选点对的邻域距离分布进行t检验来消除错误点对,减少了点对数量,改善了点对选取的效率和精度。后者摒弃了以往的研究中按照点的索引顺序来搜索候选点对的方式,以均匀分布为基础搜索候选点对,使得每次迭代选取的点对尽可能分布于点云模型的各个部分,以保证点云的完整形态配准。相对于ICP（Iterative Closest Point）算法,本文针对点对选取的改进方法使得最终的配准效率和精度提高了约50%和40%。（3）针对算法收敛可能出现的意外情况,本文提出了一种多重收敛检测方法。因为基于均匀分布的候选点对搜索策略会造成点对选取的随机性,所以在迭代中可能刚好某一次迭代搜索到的一批点对已经具有较高的匹配精度,满足算法收敛标准,而点云模型整体并未完全对齐,此时算法会提前结束。为了解决这一问题,本文提出的多重收敛检测方法对迭代过程中达到算法收敛标准的次数进行统计。当收敛次数等于设定的次数阈值才能终止迭代过程,减小了点对的随机性对算法造成的不良影响。相对于利用单次迭代判断算法是否收敛的传统方式,多重收敛检测方法虽然使得配准效率降低了约8%,但使得配准精度进一步提高了约10%。（4）本文将点对选取和算法收敛两个方面的改进方案与ICP算法结合,将新算法命名为T-ICP（Test-Iterative Closest Point）精配准算法。为了验证改进的算法,本文使用斯坦福大学三维模型扫描库中的兔子（Stanford Bunny）,龙（Dragon）,开心佛（Happy Buddha）等标准点云来检验本文算法的有效性和配准参数设置的合理性,相应的配准误差达到10^-4mm级别,配准时间在1分钟左右。然后,在Kinect设备扫描获得的苹果树和玉兰树的点云模型基础上,将本文算法与其它算法进行性能比较,验证本文算法在植株点云配准应用中的优越性。实验数据表明,在植株点云配准应用中,相较于ICP算法以及近几年其他改进的配准算法,本文提出的配准算法在配准效率和精度上分别提高了约2%～60%和9%～50%,具有良好的抗噪性和鲁棒性。最后,本文还使用椅子和盆栽点云模型来验证算法的通用性,其配准时间在10s以内,误差达到10^-1mm级别。