随着点云获取技术的快速发展,三维点云相关技术的研究具有重要研究价值,且逐渐成为国内外学者关注的热点。点云配准与融合技术是三维计算机视觉的基础研究方向,广泛应用于三维重建、遥感分析、导航与制图以及虚拟与增强现实等领域。实际中三维点云具有噪声、离群点干扰、不同程度的遮挡以及密度不均匀等问题,给三维点云融合重建带来很大的挑战。尽管三维点云配准与融合重建中取得了许多有进展性的工作,但仍然存在许多问题亟需解决。三维点云的配准与融合涉及局部特征描述、匹配对提取、配准方法及融合等关键技术。本文围绕其关键问题,取得了如下进展:针对点云配准中数据存在遮挡、噪声等问题,提出了一个基于多分支孪生网络（MSS-Net）学习的多尺度局部特征。首先,为了获得充分的训练样本,构建了成对半合成的三维局部块增强数据样本,使其对旋转、噪声等更具鲁棒性。其次,基于变化的局部领域,构建了多分支孪生网络学习多尺度局部特征。最后,引入几何约束,剔除异常的关键点对。实验测试表明,与代表性方法对比,MSS-Net获得最优的性能。另外,MSS-Net学习的多尺度局部特征有效地应用于TLS点云的配准。针对点云配准中高比例的误匹配点对或离群点问题,提出了一种基于超体素导向和博弈论优化法（SGGT）高效地提取了可靠的匹配对或内点,并应用于点云配准。首先,为了减小关键点对的规模,结合超体素的三维空间同态性,对关键点对进行分组,获得描述力更强的关键点对组。其次,为了提取期望最大的关键点对组,构建了一种融合三维空间变换特性的拟合与删除策略,实现关键点对的粗提取。最后,为了提取更高精度的内点,结合联合组间的关系,提出一种基于联合组的非合作博弈法,进一步全局地剔除误匹配联合组。实验结果证明,当关键点对数量大于10,000时,SGGT算法比最先进算法快近100倍,同时保持了相近的精度。针对基于奇异值分解（SVD）求解变换矩阵的ICP及其衍生方法易受采样点和噪声影响的问题,提出了一种基于数据驱动的自监督网络（ST-Net）迭代优化的配准方法。首先,构建了一种基于数据驱动的自监督变换网络迭代拟合6DoF参量。其次,在每一次迭代中随机采样构建了一种蒙特卡洛仿真法,提高配准的效率。最后,利用ST-Net网络迭代最小化成对点云间的Hausdorff距离损失,实现点云的鲁棒配准。实验结果表明,基于ST-Net网络迭代的配准法更具鲁棒性,且对于点云的规模敏感性较小。针对不同源点云在三维融合重建中存在分层、噪声等冗余问题,提出了一种基于改进图割模型的体融合方法。由于不同源点云数据存在非刚性形变、遮挡以及密度变化差异,在其配准后用于三维重建中存在分层冗余、不平滑缝隙边界等问题。因此,首先,为了消除融合的分层问题,构建了一个带边界约束的图割模型,实现不同源点云的初级融合。其次,为了平滑融合结果,基于法向量的局部平均构建了一种渐进迁移法。最后,实验结果证明了所提算法消除分层的有效性。综上,在点云配准方面,本文分别从不同角度提出了多尺度局部特征、SGGT匹配对提取法、变换参量回归优化等解决方案;在不同源点云融合重建上,提出了一种基于图割模型的体融合模型。本博士课题的研究为三维点云配准的研究起到了重要的推动作用,为多源三维点云融合重建提供了新的解决方案。