La detección de puntos clave juega un papel fundamental en la visión por computadora tridimensional, con aplicaciones generalizadas en la mejora de la precisión y eficiencia del registro. Sin embargo, los métodos actuales de detección de puntos clave a menudo sufren de poca robustez y baja discriminabilidad. En este estudio, se propone un enfoque novedoso de detección de puntos clave basado en la variación local de superficie (LVS). El método de detección de puntos clave LVS consta de tres pasos principales. En primer lugar, se calcula el índice de variación de superficie para cada punto utilizando el sistema de coordenadas local. Posteriormente, se identifican como puntos clave iniciales aquellos puntos con un índice de variación de superficie menor que el promedio local. Por último, los puntos clave finales se determinan seleccionando el valor mínimo dentro del vecindario de los puntos clave iniciales. Además, se propone un algoritmo de estimación de correspondencia de consenso de muestreo basado en restricciones geométricas (SAC-GC) para una estimación eficiente y robusta de transformaciones óptimas en correspondencias. Al combinar LVS y SAC-GC, proponemos un algoritmo de registro de nube de puntos de grueso a fino. Los resultados experimentales en cuatro conjuntos de datos públicos demuestran que el algoritmo de detección de puntos clave LVS ofrece una mayor repetibilidad y robustez, especialmente al tratar con nubes de puntos ruidosas, ocultas o desordenadas. El algoritmo de registro de nube de puntos de grueso a fino propuesto también muestra una mayor robustez y eficiencia computacional.