近年来,计算机视觉、目标检测、三维数据扫描等计算机技术发展迅速,基于深度图像、三维点云数据的各项应用研究已成为计算机视觉领域的研究热点。点云配准是逆向工程应用中的核心技术,所以本课题对基于深度图像的三维点云配准算法进行研究,具有较高的应用和推广价值。针对点云配准的算法研究有很多,但是均存在不足,本文对传统算法中存在的问题进行改进,其主要工作分为以下三大部分:首先,设计了一种基于改进双边滤波的深度图像修复算法。针对经典的双边滤波算法对深度图像修复效果较差,且无法准确调整核函数参数等问题,本文提出基于形态学和改进双边滤波的深度图像修复算法。首先,利用形态学算法对输入的深度图像进行空洞优化,以达到填充部分细小空洞和滤除随机噪声的目的;然后,运用改进的双边滤波算法,引入概率分布函数和最大似然函数计算每个空洞邻域内的核函数参数值,以自适应调整核函数参数实现对大面积空洞的修复;最后,采用中值滤波算法对图像平滑处理,滤除深度图像的“毛刺”,保持了图像的边缘细节及清晰度。实验结果表明,本文所提算法能有效地填充深度图像中的空洞,并且不丢失原始深度图信息,达到了保边去噪的目的,具有较强地鲁棒性。其次,设计了一种基于NDT和特征点检测的点云配准算法。针对传统的ICP算法计算量较大、效率低、且易受点云初始位姿影响等缺点,本文提出一种基于NDT和特征点检测的点云配准算法。该算法采用“粗细结合”的配准策略,首先,对点云进行预处理;然后,采用NDT算法将处理后的点云进行粗配准,为精配准提供较理想的初始位姿;再利用3D-Harris特征点检测算法提取点云特征点,最后利用ICP算法对特征点提取后的点云集进行精细配准得到最优解。仿真结果显示:与传统算法对比,本文算法进一步提高了点云配准的效率及精确度。最后,设计了一种基于分支定界的ICP改进算法。针对传统ICP算法易陷入局部最优等问题,本文提出了一种具有全局优化属性的算法,基于分支定界的ICP改进算法;然而分支定界框架的全局搜索效率较低,耗费时间相对较长,所以引入区域缩减技术加快搜索速率,提高了算法的运行效率。实验结果表明改进算法克服了传统算法的缺陷,取得了较为理想的全局最优配准结果。本文的试验仿真环境采用Matlab、Visual Studio 2015和PCL点云库相结合,数据一部分来自公共数据集,一部分为自建数据集。针对各章节所提算法进行可行性和有效性验证分析,试验结果表明本文所提算法均达到了预期效果,并具有一定的工程应用价值。