随着现代工业技术的不断进步和图形应用技术的快速发展，三维重建在各个领域受到了越来越多的关注。在工业领域中，可以用它来检测物体零件是否达到工业标准；在医疗领域中，可以用它模拟人体器官并找出患者病症所在。三维重建技术主要通过扫描设备获取待测物表面点云信息并在计算机中处理，最终建立物体的三维数字模型。不过在实际的测量过程中受限于扫描设备视域范围、物体的体积大小、测量环境等影响，一次扫描只能得到部分视角下的数据。因此为了得到完整的物体模型，往往需要将不同视角下获取的点云数据进行准确的配准。三维点云配准技术作为三维重建的重要环节之一，其配准算法的优劣性直接影响最终配准结果。现如今随着生产要求的不断提高，海量点云数据的出现给配准算法带来了巨大的挑战。
　　目前，已有的配准算法存在一些不足之处：一方面，对待配准点云间位置有较高要求；另一方面，随着点云数据量剧增，配准过程耗时大量增加，导致配准算法实时性较差。针对这些问题，本文主要从以下几点进行研究：
　　首先，简介了常规配准算法，并针对现有配准算法对点云位置初值较为严格的缺点，提出了在精配准之前先进行基于增强型灰狼算法的粗配准处理。灰狼算法作为新颖的群体智能算法，有较强的收敛性。不过，为了弥补该算法后期易陷入局部最优的缺点并加快算法的收敛速度，提出了非线性因子策略和差分进化类算法的有效融合，进一步提升灰狼算法在配准问题上的性能。
　　然后，详细描述了迭代最近点（Iterated Closest Points,ICP）算法的原理及存在的缺陷。针对ICP算法中查找对应点对速度慢的缺点，搭建kd-tree（k-dimension tree）来提高搜索速度。为了使ICP算法更好的应对海量数据的处理，引入一致降采样机制，在保留原有物体的特征上降低配准点云的数量。最后，提出双阈值剔除机制，以防止错误点对算法配准精度的影响。
　　最后，在本文提出的改进算法基础上，设计了不同类型的点云配准实验。从实验结果分析可以得出，本文算法的配准效果不依赖于点云间初始位置，同时也加快了配准过程，且具有良好的通用性、适应性以及抗干扰性。