Los datos de nubes de puntos obtenidos al escanear granos de propulsor con equipos de escaneo 3D exhiben incertidumbre posicional en el espacio, lo que plantea desafíos significativos para calcular los parámetros relevantes de los granos de propulsor. Por lo tanto, es esencial normalizar la posición de la nube de puntos de cada grano de propulsor. Este documento propone un algoritmo de normalización para nubes de puntos de granos de propulsor, que consta de dos etapas: normalización gruesa y normalización fina, para lograr transformaciones de alta precisión de las nubes de puntos. En la etapa de normalización gruesa, se diseña un esquema de detección de puntos de características capa por capa basado en árboles k-dimensionales (KD-tree) y agrupamiento k-means (k-means) para extraer puntos de características de la nube de puntos del grano de propulsor. En la etapa de normalización fina, se propone un esquema de compensación del ángulo de rotación para alinear el eje de simetría ajustado de la nube de puntos del grano de propulsor con los ejes de coordenadas. Finalmente, experimentos comparativos con el punto más cercano iterativo (ICP) y consenso de muestra aleatoria (RANSAC) validan la eficiencia del algoritmo de normalización propuesto.