基于特征点的方法：

基于特征点的方法通过两步来解决拼接问题：（1）在两个点云之间建立点的对应关系（2）根据点的对应关系计算出点云间的变换关系。其中第一步需要设计好的特征点的描述子来描述并匹配两组点云中的特征点，文献【13】中介绍了大量的如人工设计的描述子。通常这些描述子是格局特征点及其周围的空间坐标【9、14、32】，或者曲率【4】空间分布等几何特征绘制直方图。这些方法需要在特征点周围选取一个局部空间（LRF），而选取局部空间有比较大的难度，因此PFH【27】和FPFH【26】设计了具有旋转不变性的描述子以避免LRF的选取。近期的工作通常是使用深度学习的方法来得到描述子，比如3DMatch【42】所采用的方法是首先将特征点周围的点云进行体素化之后使用采用对比损失函数的3DCNN得到描述子。由于体素化会导致点云质量的损失，所以之后提出的网络比如PPFNet【7】使用了PointNet【23，24】框架来直接从原始点云中学习特征。另外3DFeat-Net【41】和USIP【18】除了能够生成特定描述符之外还能学习检测特征点。基于特征点的算法的主要问题是需要特征点周围的点云具有独特的几何结构。另外，由于在噪声中出现的误匹配点需要通过一些具有鲁棒性的配准方法解决，必读RANSAC算法，但这些算法通常不能很好的容纳进典型的学习网络中。

手工配准方法

原始的ICP算法不再需要在：选点、参数估计、评估这一过程中重复。接下来的工作试图通过选择合适的点【10，25】或对点进行加权对应【11】来改善ICP的收敛性。文献【25】是一篇关于ICP算法的综述。然而，大多数ICP算法仍然需要比较好的初始化来避免收敛到很差的局部最小值。但是，Go-ICP【40】