点云拼接是逆向工程、文物数字化、三维视觉信息处理中数据处理的重要内容，在逆向工程中要求更高的点云配准精度、文物数字化要求完整点云信息；以及计算机视觉中需要更快速的三维重建以便进行自动识别等。这些使得准确和快速的拼接点云显得非常重要。　　本文针对点云初始错位较大问题提出了基于重心距离特征的配准方法，使用特征采样进行粗配准，然后利用特征删除错误点对进行精配准。该方法准确配准了错位超过14个点的点云，且收敛速度大幅提高；针对点云拼接精度问题，提出了点对距离约束改进的配准算法。该算法将配准点的重心作为参考点，利用距离约束删除错误的点对进行配准。该算法与邻近点算法相比对小于14个点的点云配准精度提高了30％。对错位较大的点云配准提出了特征粗配准和点对距离约束改进算法精配准相结合的综合配准法，该方法对错位大于14个点的配准精度有较大提高，且收敛速度和配准速度提高了两倍以上；针对点云融合中存在的分层问题，提出了法向约束融合算法。该算法采用法向计算点云的移动权值和融合权值，从而得到两个融合点集，然后再求取均值融合点。该算法得到了较小融合误差的单层融合点云，并删除了大量的冗余数据。　　基于重心距离特征的配准只有当点云重叠率较大时才能使用，有非常快的收敛速度和很好的粗配准效果。而点对距离约束改进的配准算法对错位较小的点云有较高的精度和速度，且对重叠率较小的点云也能实现准确配准。对错位较大的点云，综合改进的配准方法有更好的精度和更快的速度，是一种较好的配准方法。配准后的法向融合算法实现了点云融合，有效的解决了分层问题。