点云匹配在计算图形学和视觉中具有重要的意义,为了改变目前部分三维点云数据集存在分辨率低、有噪声干扰和只有部分三维数据的问题,并且受最近神经网络成功的启发,本文主要研究基于深度学习的点云匹配,其主要核心处理可以分为三个步骤:关键点的获取、关键点的描述和用描述子进行匹配。针对这三个步骤,本文提出了一种获取关键点的方法,来获取进行深度学习的数据集,从而获取关键点;然后利用卷积神经网络进行深度学习训练,得出匹配对对应的描述子,最后使用了RANSAC算法完成点云匹配,使点云的匹配更加准确。本文主要工作与成果如下:(1)针对目前三维数据分辨率低、有噪声干扰、不完整的问题,提出了一种获取点云中关键点对的方法,并基于关键点对建立了数据集。首先,将两张RGB-D图片重建成三维点云,从中随机采样获取关键点,将关键点在重建中的3D位置映射到其位于摄像机视锥体内且未被遮挡的两幅RGB-D帧中,直接将该关键点在两幅RGB-D帧中的相应位置,作为关键点对。实验结果表明:该方法获取的关键点对,省时省力,并且精度较高,可以很好地作为深度学习训练的数据集。(2)针对目前描述子大部分是人为手工定义,从而精度、准确度较低的问题,提出了一种生成关键点描述子的方法。首先,本文利用深度学习框架Marvin对关键点对集合进行训练,得出网络的权重;然后,将关键点输入该网络中,计算出关键点对应的描述子。实验结果表明:该方法获取的描述子,误差较小,大大优于使用传统方法获取的描述子。(3)针对目前点云匹配精度比较低、匹配时间比较久的问题,本文运用RANSAC算法实现点云匹配。在第一片点云中获取一个关键点,将其映射到RGB-D帧中的位置,然后将该RGB-D帧重建融合到第二片点云中,则第一片点云中的关键点与第二片点云中该位置的关键点构成更加准确的匹配对,从而降低匹配时剔除误匹配所耗费的时间,经过多次迭代,估计点云之间的刚性变换,通过变换矩阵快速完成点云匹配。实验结果表明:利用RANSAC算法进行点云匹配,匹配精度和运行时间都有明显提升。