点云数据配准任务的目的是对两帧点云数据做空间点级的匹配工作,在无人驾驶、家用机器人、无人机的飞行、地理信息系统的研发等领域有着良好的应用前景。随着深度神经网络广泛应用于点云数据的分类,分割等工作,并取得了很不错的成果,点云的配准工作也引入了深度学习方法,并取得了明显的进步。在此背景下,本文运用卷积神经网络对点云的配准任务进行了深入研究。对于两帧高度重叠的点云配准,传统的方法通过自定义的方法来寻找最近匹配点,这样会陷入局部极值问题。最近深度学习的方法利用attention机制可以很好的找到最近匹配点,从而解决局部极值问题。目前还有一类问题有待解决,即两帧重叠较低的点云数据如何做配准。之前的配准方法在第一步都要强制逐点建立匹配关系,但是对于重叠较低的两帧点云来说,肯定会有部分点在另一帧中不存在对应关系,故而很难再用之前的方法来解决这类问题,对此本文提出了自编码解码网络来处理低重叠点云的配准任务。除了两帧低重叠点云数据的配准任务,还有一类点云数据的配准任务有待研究,即场景级点云数据的配准。对于场景级点云数据,可以理解为一个场景中有多个物体,运动方向和位移都不一样。故而可以把第二个工作称为场景流工作。在做场景级点云数据配准的时候,处理刚体配准的方法已经很难解决这类问题。此前已有深度学习工作来尝试解决这类问题,不过他们做的是有监督工作,需要标注好的数据集。由于对点级数据进行标注会耗费很多的人力、时间,在此情境下,本文提出了自监督的场景流工作。本文的主要贡献如下:1.针对两帧低重叠点云的配准,由于点的缺失,很难再用之前逐点建立匹配的想法来解决问题,对此提出了一个基于自编码解码思路的配准方法。不同于之前的方法通过计算旋转矩阵再得到配准好的点云,利用该方法可以直接得到配准好的点云。在解码阶段,利用通过正方体、圆柱体、球体均匀采样得到的局部特征更符合实际分布,取得的效果也更好。在自编码解码网络中添加的核心约束包括:重建约束和特征一致性约束。重建约束可以很好地评估输入点云与输出点云的相似性,而特征一致性约束可以在特征空间来对物理含义相同的两种特征来做约束。2.针对场景级点云的配准,本文首先提出了利用神经网络从一对连续的点云中学习场景流的自监督解决方案。针对场景中的大位移问题要用ICP产生的代理进行网络的预训练。为了利用数据本身内部的约束,本文利用设置好的检测点来测量点云的潜在表面之间的相似性来作为自监督方法的数据项约束。本文基于点云的局部刚体性,提出了两个基于保持相同运动和保持相同结构的一致性约束,其中运动一致性对于在场景中发生旋转的物体经常会失效,而结构一致性则会很好地适应所有的运动场景。为了进一步提升在场景中的大位移区域的结果,本文提出了多阶段的学习策略。基于以上研究成果,在LowModelNet40刚体数据集和FlyingThings3D、KITTI的非刚体数据集上进行了验证,相比现有方法有了较大提升,并通过消融实验验证了各个策略的有效性。