三维点云配准主要应用于物体和场景的自动化重建,点云配准算法的研究对于机器视觉导引的高端自动化装备研发具有重要的意义。常用的基于点对特征的三维目标识别方法直接在两点之间建立点对特征(Point Pair Feature,PPF)关系,并通过建立哈希表,运用霍夫投票的原理,对有可能正确的位姿进行投票,从而获取正确的配准结果。该方法避免了因初始位姿较差所导致的陷入局部最优的问题。但是需要对点云中所有的点建立点对关系,导致计算量巨大;由于未能对投票得到的位姿进行优化,也可能会产生错误的匹配结果。本文针对PPF的现有问题,对点云与处理中的点云滤波和简化算法进行改进,保证了配准阶段输入点云的光顺性和完整性,在位姿优化阶段对传统ICP算法进行改进,加入K-D树加速近邻点的搜索,进一步提升整体配准算法的效率。本文主要研究成果如下:(1)针对初始点云中包含大量噪点的问题,本文研究了半径、统计和双边滤波这三种滤波算法,针对点云中存在噪声点的问题,提出了一种改进的双边滤波方法,利用统计滤波中的阈值和平均阈值的1.5倍值,对双边滤波中的双域(包括空域和值域)信息进行关联性约束,有效提升了点云的滤波效率,对实际场景中模型进行滤波处理,时间仅为原双边滤波的70%。(2)针对初始点云中包含大量冗余点的问题,研究了点云简化算法中的曲率法和体素网格法。传统体素网格简化方法拥有较快的计算速度,但是过程中需要手动设置参数,否则点云局部特征不能较好的保存。基于曲率拟合的点云简化算法效果较好但是计算效率低,本文提出了一种基于自适应因子的体素网格算法,对点云进行简化操作,在提升简化效率的同时较好地保留了点云形状特征,采用曲率准则进一步对点云进行处理,更好地保留点云的局部特征。实验证明,本文提出算法的简化效果明显优于体素网格法,且简化时间仅为曲率拟合法的48%。(3)针对传统点对特征投票位姿优化问题,研究了经典的最近迭代点(Iterative Closest Point)算法,针对原算法对临近点搜索速度慢的问题,提出一种基于K-D树的改进ICP算法。该方法将K-D树结构用于三维点云中,通过对模型点云建立三维KD树,将待配准点云的点作为输入节点,使ICP算法寻找最近邻点的时间复杂度降低至O(n) 。实验结果表明,本文与传统PPF算法相比,配准效率提高了53%,配准精度达到98%。