For several years now, terrestrial laser scanning (TLS) has been applied to metrology in geodesy and survey engineering. Since TLS is able to determine the spatial coordinates of a remote object using laser light and can obtain a huge high-resolution three-dimensional (3D) data set for an object of interest from just a single scan, it has become a standard surveying procedure in architecture, engineering, and construction, with a wide range of applications. However, the application of TLS has some limitations. On the one hand, information from TLS is always expressed as a vast point cloud of 3D coordinates with a relatively random distribution on the scanning object’s surface, and therefore it is not possible to extract the exact coordinates of a position of interest directly from the raw point cloud. On the other hand, the accuracy of TLS results is limited by a variety of factors, including uncompensated instrument biases, target surface structure and material properties, atmospheric effects, residual deviations of point cloud registration, among others. Thus, the first two objectives of this thesis focus on target identification and calibration in TLS. These two steps belong to the pre-processing of the point cloud. In the second half of this thesis, I will be concerned with post-processing of point clouds and the application of TLS. The topic most often discussed with regard to point clouds is 3D reconstruction (e.g., the digital city). The key technique in this area is rigid registration of point clouds (i.e., the assumption that two or more 3D point clouds are related by a rigid transformation). The goal of rigid registration is to align two or more point clouds that have been captured from different scanning perspectives. This thesis will go into the issue of rigid registration and provide a new algorithm to carry out this process. The final objective in this thesis is non-rigid registration. This is one of the state-of-the-art approaches in the post-processing of point clouds and has real potential for enabling TLS to handle the problems of deformation monitoring. Specifically, in this chapter of the thesis, deformation related information is not based on a single point from different epochs. Moreover, based on non-rigid registration, a real 3D deformed model can become a reality, with the ability to provide clear benefits compared with the 2.5D deformed models used in recent projects. This dissertation is based on four scientific publications, which have been framed by an introduction and a concluding chapter. Publication 1 focuses on target identification in TLS. In this paper, we investigate the use of normal information from all kinds of scanners to calculate the center of a target. In order to verify the generality of the results, we exploit A4 paper targets in the tests, instead of the special material targets supplied with particular brands of scanners. Publication 2 describes TLS calibration. Based on a systematic error model and a stochastic model, we derive different criteria for estimating the precision of each additional parameter, as well as correlations between parameters. After having generated such criteria, we search for different configurations to satisfy these requirements. Publications 3 and 4 concentrate on registration issues. Rigid and non-rigid cases are discussed separately in these papers. In the rigid case, we provide a variant least squares 3D surface-matching algorithm to deal with different kinds of observational errors in both source and target point clouds and further reveal the possibility of analyzing the error behavior of each point cloud. In the non-rigid case, we display the potential of the four-point congruent set algorithm to generate correspondence from deformed surfaces. An automatic method to execute non-rigid registration is proposed in publication 4, in which we further show the potential of the proposed method for 3D reconstruction and deformation monitoring. ; Terrestrisches Laserscanning ist bereits seit einigen Jahren eine anerkannte Messmethode in der Geodäsie und im Bereich der Ingenieurvermessung. Da es sich dabei um eine Technik handelt, die mit Laserlicht die räumlichen Koordinaten interessierender Objekte aus der Distanz erfassen und mittels eines einzigen Scans große, hochaufgelöste 3D-Datensätze erzeugen kann, ist das terrestrische Laserscanning heute eine Standard-Vermessungsmethode in Architektur, Ingenieurwesen und Bausektor mit einem großen Spektrum an Anwendungen. Dennoch hat die Anwendung des terrestrischen Laserscannings einige Einschränkungen. Zum einen bestehen die Daten der Laserscanner immer aus riesigen 3D-Punktwolken, welche auf der gescannten Objektoberfläche relativ willkürlich verteilt sind, so dass die Koordinaten eindeutig definierter Positionen von Interesse nicht unmittelbar aus den Rohdaten entnommen werden können. Zum anderen ist die Genauigkeit terrestrischer Laserscanner aufgrund einer Vielzahl von Faktoren beschränkt, wozu unkompensierte Instrumentenabweichungen, Oberflächenstruktur und Materialeigenschaften des Zielobjekts, atmosphärische Effekte, Restklaffungsabweichungen bei der Punktwolkenregistrierung und andere gehören. Daher fokussieren die ersten beiden Zielstellungen dieser Arbeit auf der Bestimmung von Zielpunkten und auf der Kalibrierung beim terrestrischen Laserscanning (TLS). Diese zwei Schritte gehören zur Vorprozessierung von Punktwolken. Die zweite Hälfte dieser Arbeit wird sich mit der Nachprozessierung von Punktwolken und TLS Anwendungen beschäftigen. Das populärste Thema im Bereich der Punktwolken ist die 3D-Rekonstruktion, z.B. in digitalen Stadtmodellen. Die entscheidende Vorgehensweise ist dabei die Starrkörperregistrierung von Punktwolken (d.h. es wird angenommen, dass zwei oder mehr 3D Punktwolken durch eine Starrkörpertransformation in Beziehung gesetzt werden können). Das Ziel der Starrkörperregistrierung ist es, zwei oder mehr Punktwolken unterschiedlicher Scanperspektiven zusammenzuführen. Diese Arbeit wird die Aufgabenstellung der Starrkörperregistrierung aufnehmen und einen alternativen Algorithmus für die Ausführung dieses Vorgangs präsentieren. Das letzte Ziel dieser Arbeit ist die Registrierung nicht-starrer Körper. Diese ist eine der modernsten Technologien in der Nachprozessierung von Punktwolken, die für das terrestrische Laserscanning echtes Potenzial zur Behandlung von Deformationsüberwachungsaufgaben birgt. Die Ableitung eines Einzelpunkts aus einer Rohdaten-Punktwolke im TLS ist nämlich unsinnig, da die Deformation hier nicht mehr über einen Einzelpunkt an einer definierten Position repräsentiert wird, sondern über eine beliebig gelagerte Oberfläche. Darüber hinaus wird durch eine nicht-starre Registrierung ein echtes 3D-Deformationsmodell möglich, welches klare Vorteile gegenüber den 2,5D-Modellen gegenwärtiger Projekte hat. Diese Dissertation gliedert sich in sieben Kapitel. Am Anfang wird eine Einführung in die Arbeit gegeben. Die Motivation, in Beziehung stehende Arbeiten und Beiträge werden im ersten Kapitel kurz vorgestellt. Danach werden die wichtigsten Werkzeuge eingeführt, die in den späteren Abschnitten verwendet werden. In diesem Kapitel werden auch ausschlaggebende Formulierungen und Definitionen festgesetzt. Kapitel 3 fokussiert auf der Identifizierung von Zielpunkten. Dabei sollen gebräuchliche Informationen genutzt werden, die von allen Arten von Scannern erfasst und zur Berechnung von Zielmarkenzentren verwendet werden können. Um sicherzustellen, dass der Ansatz allgemeingültig ist, werden in den Untersuchungen A4-Papier-Zielmarken verwendet anstatt spezieller, auf die jeweilige Scannermarke zugeschnittener Zielzeichen aus speziellen Materialien. Kapitel 4 beschreibt die Kalibrierung terrestrischer Laserscanner. Basierend auf einem Modell systematischer Fehlereinflüsse und einem stochastischen Modell werden verschiedene Kriterien zur Beurteilung der geschätzten Präzision und Korrelationen nach einer Kalibrierung abgeleitet. Nachdem diese Kriterien festgelegt worden sind, werden verschiedene lokale optimale Konfigurationen untersucht, die diese Anforderungen erfüllen. Ein Hauptzweck dieses Kapitels ist es, dass die Ergebnisse einer Kalibrierung durch einen festen Satz an Parametern beschrieben werden können. Kapitel 5 und 6 konzentrieren sich auf Registrierungsaufgaben in Starrkörper- und Nicht-Starrkörper-Fällen. Für den Starrkörperfall wird eine neue Variante eines 3D-Oberflächen-Matchingalgoritmus auf Basis der Kleinsten Quadrate gezeigt, welche verschiedene Arten von Beobachtungsfehlern sowohl in den Quell- wie in den Zielpunktwolken behandelt; außerdem wird dessen Fähigkeit aufgezeigt, das Fehlerverhalten jeder Punktwolke nach der Registrierung zu analysieren. Im nicht-starren Fall wird das Potenzial einer Variante des 4-Point Congruent Set – Algorithmus (4PCS) gezeigt, Beziehungen einer Original-Oberfläche zu ihrer deformierten Oberfläche zu erzeugen. Eine automatische Methode zur Durchführung einer nicht-starren Registrierung wird in diesem Kapitel vorgeschlagen. Schließlich folgen am Ende der Arbeit eine Zusammenfassung und ein Ausblick.