三维重建技术是计算机视觉的一个重要组成部分，真实物体的三维重建在现实生活的各个领域，包括工业自动化、考古、文化遗产保护、计算机辅助医学等中都有着非常广泛的应用前景。目前随着3D扫描终端的日趋成熟，得到精确的局部三维模型坐标已经没有很大的问题，而对于点云数据的配准算法的研究，逐渐成为了三维重建的关键。因此配准算法的研究对于三维数字处理技术领域有着非常重要的意义。本论文针对真实物体的三维重建过程中的点云数据配准问题，提出了一种脱离ICP最近点迭代算法的精细配准算法，该算法基于扩散一致性球来对两组任意初始位置的点云数据集进行由粗到细的配准。本论文提出的基于扩散一致球的配准算法是一种全新的三维点云数据配准算法。在寻找对应点方面，创新性地将球体的旋转不变等特性与基于奇异值分解(SVD)的正交强迫一致性算法结合起来，克服了单独使用正交强迫一致性算法寻找对应点的缺陷，使得配准算法能够获得较高正确率的对应点，为配准工作打下坚实的基础。考虑到一个好的配准算法必须具有全局收敛性，我们对一致球进行了扩散，通过建立一个由一致球组成的网状结构，将待匹配的点云数据表面覆盖起来，获得遍布点云数据表面的对应点。最后通过RANSAC和最小二乘法算法排除错误的对应点并求解出最佳的刚体变换矩阵。实验结果证明，本论文提出的算法具有较好的鲁棒性，而且在ICP算法适用的条件下拥有比ICP算法更高的配准精度。本算法还可以用于对称性分析领域，检测对称点。