En la actualidad, las nubes de puntos 3D se consideran una forma importante de representar el mundo 3D. En visión por computadora, robótica móvil y gráficos por computadora, el registro de nubes de puntos es una tarea básica y se utiliza ampliamente en la reconstrucción 3D, ingeniería inversa, entre otras aplicaciones. Sin embargo, el método principal de registro de nubes de puntos está sujeto a problemas de un largo tiempo de registro, así como a un mal efecto de modelado, y estos dos factores no pueden equilibrarse. Para abordar este problema, proponemos un mecanismo de registro adaptativo basado en un análisis multidimensional de escenarios de aplicación práctica. A través del uso de nubes de puntos láser e imágenes RGB, podemos obtener información geométrica y fotométrica, mejorando así la dimensión de los datos. Al agregar información de clasificación de escenas objetivo al algoritmo RANSAC, combinado con coincidencia geométrica y coincidencia fotométrica, podemos completar la estimación adaptativa de la matriz de transformación. Demostramos a través de experimentos extensos que nuestro método logra un rendimiento de vanguardia en términos de precisión y tiempo de registro de nubes de puntos en comparación con otros algoritmos principales, logrando un equilibrio entre el rendimiento esperado y el costo de tiempo.