三维点云的配准旨在找到多个部分重叠但未知关联的点云之间的变换关系，其广泛应用于计算机视觉和机器人领域，是同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）和三维重建中的核心技术。三维点云的配准主要包含点云对的配准和点云序列的配准。早期的三维点云配准方法大多是基于迭代最近点算法（Iterative Closest Point, ICP）类的方法，该类方法的基本思想是在空间中搜索源点云中的三维点在目标点云中的最近点，通过建立点之间的对应来求解变换矩阵。但是基于ICP类的方法严重依赖于初始值，鲁棒性不足。近年来，基于特征的点云配准算法由于具备较高的鲁棒性受到了越来越多的关注，其通过提取三维特征并建立特征关联来实现三维点云的配准。基于特征的三维点云配准研究已经取得了显著进展，然而其仍然存在一定不足和挑战，包括：基于特征的点云对配准方法未能充分考虑点云对之间的差异性，在低重叠率场景中的精度和鲁棒性不足，其中的外点剔除网络的精度和泛化性仍有待提升；激光SLAM中基于特征的点云序列配准算法的鲁棒性不足。针对上述问题，本文对基于特征的三维点云配准方法进行了深入研究，并取得了如下研究成果：

1. 提出了一种面向点云对配准的基于交叉注意力机制的点云特征提取网络。现有方法学习点云描述子时往往只考虑从一帧点云中提取对旋转平移和密度具有一定程度不变性的描述子，而忽略了点云对之间的帧间差异。因此，本文提出了一种新颖的基于交叉注意力机制的网络，该网络允许特征随着点云对之间的差异而变化。其通过考虑点云对之间的信息来学习对于点云对区分性和不变性更强的特征描述子。对于输入的点云对P₁和P₂, 首先通过两个共享权重的编码器模块获得其自身特征。其次，同一层编码器输出的特征经过提出的注意力模块获得条件特征。最后，P₁的自身特征跟条件特征通过解码器模块得到P₁最终对应的融合特征。在公开数据集上的实验结果表明本文提出的算法在三维特征匹配和点云对配准上相比之前的方法取得了更高的精度。

2. 提出了一种面向点云对配准的高精度强泛化性的外点剔除网络。为了提升外点剔除网络的精度以及泛化性，本文提出了一种基于特征一致性种子关联选取和二阶特征一致性损失函数的外点剔除网络。对于输入的关联集，所提网络先通过一个非局部模块来将每个关联嵌入高维的几何特征，然后根据这些特征得到与其他关联相关性较高的关联作为种子关联，接着通过二阶空间一致性以及构建的特征找到每个种子对应的一致集，并得到最终的配准结果。此外，提出了一种基于二阶特征一致性的损失函数来训练这个网络。为了验证算法的有效性，将提出的算法在室内外场景的多个数据集上进行了测试，实验结果表明提出的方法取得了更高的精度和更强的泛化性。

3. 提出了一种基于点云分块匹配的低重叠率场景下的点云对配准算法。现有的针对低重叠率场景的方法主要聚焦于特征提取，但是其精度和鲁棒性不足。为了解决此问题，本文提出了一种新颖的框架来实现低重叠率场景下的点云配准算法，该算法基于提取得到的特征，通过点云分块，块匹配和最优变换的选择与优化得到最终的结果。在公开数据集上的实验结果表明了在不同的特征下，提出的方法相比之前的方法在低重叠率场景下均取得了更高的精度。同时，实验结果也显示了在非低重叠率场景下，提出的算法也取得了有竞争力的配准精度。

4. 提出了一个基于主成分分析 （Principal Component Analysis, PCA）特征提取和两阶段点云匹配的激光SLAM方法。目前激光SLAM中点云序列配准算法的精度，效率和鲁棒性难以很好地平衡，且基于特征的方法提取的特征不能很好地适应视角的变化。为了解决上述问题，本文提出了一个新的激光SLAM方法。对于输入的激光点云序列，首先设计了一个基于PCA的近似曲率估计算法来提取更加鲁棒的特征点，这些特征点包含三维点云中的边缘点和平面点；继而基于提取的特征点实施一个两阶段点云匹配策略，来提高定位的精度和建图的连续性。此外，使用一个基于正态分布变换（Normal Distributions Transform, NDT）的回环检测算法来减小系统在大场景中的累计误差。在公开数据集和自采数据集上的实验结果显示了提出算法的有效性。