局部特征描述符的研究是三维计算机视觉中的核心问题之一。为应对复杂场景中特征描述符鉴别力不足和鲁棒性较低的挑战，本文提出了一种创新的局部细分邻域特征统计（Local Subdivision Neighborhood Feature Statistics, LSNFS）描述符。LSNFS描述符的核心是一种名为曲面邻域偏差统计（Surface Neighborhood Deviation Statistics, SNDS）的高鉴别力方法。SNDS通过引入两种空间特征，全面编码局部空间信息。在细分空间中统计加权邻域偏差角，并结合特定的属性分区策略，显著增强描述符的鉴别能力。对生成的SNDS直方图进行线性插值和归一化处理，提高了描述符对噪声和点云分辨率变化的鲁棒性。LSNFS描述符通过计算两个角度特征来编码局部几何信息，并将生成的角度特征直方图与SNDS直方图融合，实现局部信息的充分描述。本文在六个具有不同质量和干扰类型的数据集上进行大量的实验验证，结果表明：LSNFS在所有数据集上的性能明显优于现有的多种先进方法，具有较高的描述性和较强的鲁棒性。此外，本文将LSNFS应用于三维物体配准和真实场景配准，结果表明，LSNFS不仅在三维物体配准中实现了最好的配准性能，而且还能够泛化到大规模真实场景数据中，具有良好的泛化性能。