在三维视景仿真的可视化建模中,目标对象的重构需要多组测量数据进行配准,由于三维扫描终端日益成熟,要获得精确的局部模型数据坐标已经成为现实,而对于散乱点云的匹配研究,已然变成重建的核心技术之一。全自动匹配方法由于配准效率低、稳定性差,因此在应用中存在局限性,目前在商业中都采用手动辅助匹配等方式来实现三维数据的匹配。本文针对实际对象在三维重建过程中存在的数据匹配问题,研究得到一种基于4Point算法以及改进S-ICP算法的配准方法,该方法结合全局及局部情况,能够对任意起始位置的两组点云做到精确匹配,得到了一种收敛快、精确度高并且鲁棒性较好的自动配准方法。全局配准用来解决点云在任意不同位置下的初步匹配问题,以便为局部匹配提供良好初值,本课题利用4Point算法来得到全局匹配初值,该算法基于RANSAC机制,通过利用四点间的几何线段在刚体转换下的不变量特性,来提高算法速度。局部配准要估计两组点云之间的位置,才能实现较精确的匹配,本文首先结合Hong在工业应用中采用的算法思想来进行目标函数改进,再结合已有的S-ICP算法,其基于正交强迫一致性的奇异值分解(SVD)算法,能有效的改进传统ICP的匹配准确度、收敛速度以及收敛域;并在此基础上改进了S-ICP算法中对初始参数的求取,优化了S-ICP算法,在一定范围内扩展了S-ICP算法的收敛域,使精确匹配算法的鲁棒性有了很大的提高。实验结果证明,本文提出的自动匹配算法,对于重合范围超出30%的点集进行匹配均能得到较为精确的结果。本文算法同时具有较好的鲁棒性,不仅在ICP算法适用的情况下,具有更高的配准精度,而且在ICP算法受限的情况下,也能得到高效的配准精度。