随着现代工业生产技术的不断进步和全球化进程的快速推进,对工业产品质量的要求也越来越高。大部分工件制造商为了推进自动化生产,提高工件质量,放弃了成本高、效率低的人工检测,采用计算机视觉对工件进行在线检测。计算机视觉中的三维测量相较于传统的二维图像可以获得工件的更高精度的深度信息,可以应用在曲率测量、粗糙度测量等光学信息较少的领域。点云配准作为在线三维测量关键的前置步骤,是保障在线测量结果准确性和重复性的关键过程。目前配准精度最好的迭代最近点算法（Iterated Closest Points,ICP）配准算法耗时较长,难以应用于在线三维测量过程中。本文对当前的配准算法进行优化,大幅度的减少了配准时间,实现了工件的实时测量,本文的主要研究内容如下:首先,对三维点云数据特征进行研究,为了克服直接点云特征提取算法耗时较长的弊端,采用高度映射模型将三维点云数据映射成为二维深度图像。在此基础上,提出了改进的自适应阈值的FAST算法,相较于其他特征提取算法,可以极短的时间内提取几何特征丰富的特征点,同时能够在不同图像对比度的情况下提取足够数量的FAST特征点。利用FAST特征点所在区域的点云数据作为后续算法的待配准点云数据,可以在保证精度的同时,加快配准速度。其次,详细描述了ICP算法的原理及存在的缺陷。针对ICP算法耗时较长的缺点,在传统的ICP配准算法的基础上,使用改进的FAST算法提取的几何特征丰富区域的点云数据,利用实际工业生产环境的先验知识降低待配准的维度,再结合二次插值法加速ICP算法的迭代过程,提出了基于FAST特征的降维加速ICP配准算法。并使用斯坦福大学的3D模型库验证了提出的配准算法的性能。最后,基于本文提出的配准算法,在Visual Studio2019上基于wpf框架开发了一套在线三维测量系统,对其硬件和软件结构进行了介绍。在此系统上完成了柱面镜表面曲率测量和PCB铜箔粗糙度测量两个实例,实验结果验证了配准算法在实际测量应用中的有效性和可行性。