本文主要研究了一种基于多优化算法融合的点云配准算法改进,在配准转换参数的解空间中直接搜索最优解,无需特征提取和特征匹配的过程。针对点云粗配准过程中优化算法的搜索效率、收敛精度与配准成功率方面展开了研究,改进了相关算法。针对传统ICP精配准精度不足的问题,通过点到面的最近点查询和设置错误对应关系剔除比例方式改进ICP,有效提高了精配准精度。最后通过斯坦福大学点云数据与实测点云数据进行了实验验证。对论文各项工作如下:（1）针对常用于点云配准精度评价的均方根误差函数（RMSE）存在计算量大、全局评估性能较差的缺陷,提出了基于法向量纠正的简化均值根误差函数（s NRMSE）,通过栅格化极大缩减点云数据和计算量,并加入法向量辅助评价距离值,能进行正确评估对称性的点云间实际精度。（2）针对遗传算法（GA）全局搜索时容易陷入早熟收敛的问题,提出了融入免疫算子与灾变算子的GA算法,即灾变免疫遗传算法（IGAC）。该算法能保证优化过程中种群的多样性,并在种群出现早熟收敛时强制更新种群分布。实验证明IGAC有效抑制了停滞现象,减少了无效的迭代次数,提高了全局收敛性能。（3）针对模拟退火算法（SA）在多维解空间中搜索效率低且不够充分的问题,根据转换坐标与转换参数的数学关系,提出了在SA中引入天牛须搜索算法（BAS）的SA循环优化算法。实验证明了SA循环优化算法能高效、充分完成转换参数的局部搜索,并具有较强的稳定性。（4）顾及IGAC全局搜索、SA循环优化算法局部搜索的良好特性,提出了IGAC-SA融合策略实现点云粗配准:首先通过重心化与SA平移循环优化,简单调整点云的初始相对位置,缩小搜索区间;再基于IGAC进行全局搜索,收敛于全局极值点;最后通过SA循环优化,同时优化平移、旋转参数,收敛于局部极值点,即获得粗配准的最优转换参数。实验证明:IGAC-SA混合策略具有更高的收敛精度,更快的搜索速度与更高的配准成功率。