随着智能制造技术的快速发展,高精度、小批量、定制化成为制造业新的生产模式,随之也对检测技术提出了更快速、更智能、更准确的新要求。近年来,关节机器人和三维传感器结合的机器人测量系统为工业领域三维自动检测提供了新的发展路径。然而,虽然机器人测量系统在柔性化、智能化方面有较好的性能,但由于其系统误差和标定误差,使得直接通过系统对零部件三维重构的精度不高,无法满足日新月异的制造业需求。点云配准技术作为三维重构的关键技术,实质上就是求出点云间的变换矩阵使得源点云和目标点云处于相同坐标系下。虽然学者们对于点云配准技术做出大量研究,但是这些方法大多需要高重叠率才能完成较好的配准工作,使得在重构零件模型过程中造成大量的时间浪费,从而大大降低算法执行效率。由此可见,三维检测技术还有很大的提升空间。本文在设计了一种基于机器人、线性滑台和视觉传感器的点云采集系统的基础上,重点研究了针对三维重构中的双视角点云配准技术,提出了一种将球体作为参考基准的点云配准方法。其主要内容和创新点如下:（1）对快速球特征识别方法进行研究。提出了一种基于特征拟合技术的三维点云多球识别方法。为了提高识别效率和保证分割精度,提出了一种球面的二次评估策略,首先采用最小二乘法进行粗略评估,然后通过半径搜索对先验评估进行优化。此外,还设计了一种称为“最远随机增长”的新方法来寻找邻域点集,扩展邻域范围,以提高球面拟合的鲁棒性,防止过度扩展的问题。（2）对基于球心的点云配准算法进行研究。提出了一种基于球特征位置对齐的点云配准技术,通过在待配准的点云数据中引入三个球体作为配准基准,将配准转变为对齐球心的方式,从而简化了点云配准问题,提高了配准效率。同时,本文采用了point-to-plane ICP算法,进一步优化了配准结果。最后,本文通过配准精度评估实验和算法性能验证实验说明了算法的实用性和先进性。通过本方法双视角配准后零件点云可达到较高的精度,算法精度甚至优于系统精度,具有一定的工业实用性。同时,提出方法在效率和精度方面相较其他算法均具有一定优势,对于低重叠率的点云数据尤为明显。