通过三维激光扫描仪可以在不接触物体的情况下,精确并快速获得描述样品表面信息的点云数据,利用这些点云的集合可以在计算机上进行三维重建工作。但是扫描只能得到当前视角下的点云,无法获得样品的完整信息,所以需要从多角度扫描,将各个角度扫描后所得的彼此孤立的点云数据进行重新整合和配准,生成一个位于同一坐标系下的三维点云数据集,该过程就是点云数据配准过程。本文主要针对点云数据集的预处理工作和点云数据点集的多视角配准问题展开了研究和讨论。在此过程中,本文的主要在以下几方面进行了创新：(1)提出了一种基于曲面变化度局部离群系数(SVLOF)将点云数据的噪音点分为近离群点和远离群点进行分别过滤和简化。该方法首先利用基于距离的区域增长的方法找到包围盒体积过小或者点数过少的远离群点,再通过k-近邻搜索找到点云数据的曲面变化度,将局部离群系数大于设定的容限值的数据点被判定为近离群点,最后分别进行滤除和平滑操作。本文将该算法应用到下文的配准中,大量实验表明该方法可以为配准提供一个干净的点云配准数据,有效提高了点云配准的速度和精度。(2)提出了一种基于粒子群和最近迭代点相结合的散乱点云匹配优化算法。该算法可以整体寻优,可以为ICP找到最佳的初始位置,同时可以避免了ICP陷入局部最优,有效的提高了ICP算法的准确性本文采用先PSO粒子群算法粗配。在点云配准中容易选取到噪音点,本章先利用曲面变化度的局部离群系数将离群点剔除,再将粒子群算法和最近迭代点相结合。原有的适应度函数是求解点与点之间的最小距离,本文在原有的基础上添加点与点的法向量平行的约束,实验证明该优化算法可以提高散乱点云的配准精度。(3)提出了一种基于双四元数法求解空间坐标的配准算法。该方法将坐标变换分为实部和原部两部分,如q=r+εs,通过求取数学中特征值和特征向量的方法得到r和s,由此可以分别得到旋转矩阵和平移矩阵的值,不需要像奇异值分解法和单位四元法通过旋转变量得到平移变量,该方法减小了测量点云数据和计算旋转量T的过程中带来的误差,本文将该方法通过实验的方式应用到最近迭代点配准中,提高了配准的速度和精度。