ICP（The Iterative-Closest-Point）算法用于解析两帧三维点云的位姿关系,是点云配准中最为常用的算法,然而随着人们对于精度的要求不断提高和三维相机制造水平的飞速发展,点云数量骤增,ICP在移动端应用中难以满足实时性要求。由于FPGA（Field Programmable Gate Array）内部含有丰富的计算资源,可以对计算量巨大的算法并行加速,并且成本低、可重复烧写,而嵌入式CPU（Central Processing Unit）可以完成一些不适于硬件实现的复杂计算,与FPGA协同工作从而高效完成计算,本文选择使用由FPGA+嵌入式CPU组成的软硬协同平台加速ICP点云配准,本文所做的工作可以总结如下:1.通过分析确定ICP算法的实时性瓶颈为其中的KNN（K-Nearest-Neighbors）算法部分。首先,在算法层面使用近似K-D tree（K-Dimensional tree）数据结构加速KNN,通过将参考点云划分为若干子空间减少需要搜索的点数,但是为了保证精度,一个子空间内往往仍有数百点需要搜索,针对此问题本文在硬件电路架构层面提出了一种高速全并行搜索硬件加速器,它能够利用FPGA内部的大量计算资源和片上存储提供的巨大带宽,并行计算目标点与一个子空间内所有参考点的欧氏距离,从而最大程度加速KNN搜索。2.构建近似K-D tree数据结构时引入的大量数据排序操作时间复杂度极高,会影响建树的实时性,但是由于建树部分不参与ICP迭代,同时也要兼顾加速成本。本文选择使用归并排序算法减小排序的时间复杂度,并提出了一种高效并行流水归并排序硬件加速器进一步加速排序,它与常规的归并排序加速器相比更为轻量级但也足够快速,能在速度与成本之间做出很好的折衷。3.针对移动端ICP点云配准算法实时性较差的问题,本文提出了一种软硬协同ICP点云配准加速器,将时间复杂度极高的排序和KNN搜索两部分利用硬件电路加速,其余部分在嵌入式ARM CPU上运行,软硬协同的方式能够在保证点云配准精度的同时高效完成功能,当点云规模为30K时,能够在1s内完成至少46次ICP迭代过程,与国内外相关研究相比,本设计有不同程度的优势。