在计算机视觉研究领域中,三维物体配准技术是一项非常重要的基础研究。同时也是很多其他研究领域的前提与基础,例如:在三维识别、机器人视觉、远程遥感等方向。由此可见,三维物体配准技术在各个领域都有着广泛的应用前景。三维物体配准方法大致可以分为两类:粗配准、精配准。粗配准可以在两个模型姿态未知的情况下,提供快速、高效的方式,完成两个模型之间的配准工作。同时粗配准还可以为精配准提供一个良好的初始位置条件,减少精配准迭代所需的时间消耗。精配准可以完成模型之间精细的配准操作,使模型之间的误差更小。但在位姿未知等情况下,耗时较多且易陷入局部最优的情况。本文主要研究基于特征点局部特征的粗配准,其主要核心处理可以分为三个步骤,特征点的检测、特征点的描述和特征匹配。针对核心处理的后两个阶段---特征描述和特征匹配,提出了一种基于邻域旋转体积的特征点描述子和一种剔除误匹配的方法。完善了点云配准的流程,并在此基础上完成各种模型之间的配准。具体做了以下几个方面的工作。(1)针对目前特征点描述算法对噪声敏感,时间复杂度高等问题,提出一种基于局部参考系的基础上,首先对特征点周围邻域空间进行区间划分,然后对各个区间内邻域点与投影到特定平面上的投影点所形成的各个梯形进行旋转,最后通过计算经旋转后得到的空间模型的体积的数值对该区间进行描述,形成一个对特征点的多区间体积值进行表述的描述子。(2)针对获取匹配时存在误匹配的问题,分析了误匹配产生的原因。其中之一是由于点云片边缘特征点的特征不明显,容易产生边缘响应。本文提出了一种剔除边缘特征点的方法,根据点四周邻域点两两点之间最大夹角判断是否属于边缘点,随后再把边缘点一定范围内的特征点剔除,避免边缘邻域信息不足对描述步骤的影响。(3)针对产生误匹配的另一个原因:相似特征或场景干扰导致的误匹配问题。提出了一种KMeans算法结合分裂法思想对误匹配剔除的方法。利用KMeans的思想,将数据进行聚类划分剔除部分误匹配关系;在上一步获得较多的正确匹配关系的条件下,将描述向量的欧式距离作为评价标准,利用标准差作为判定条件进一步剔除误匹配。同时结合本文的研究内容对原有的配准流程进行了改进。