点云模型在逆向工程中的应用正受到越来越多的关注,随着激光扫描设备的更新换代,点云数据的采集工作也变得更简易可行,点云数据模型的质量也有所提升,但由于众多不可避免因素的存在,采集获得的模型数据会带有各种不同的问题,噪声就是其中之一。点云数据模型的去噪问题是一个不容忽视的重要环节,是点云数据处理中首要解决的问题。噪声处理的好坏直接决定着模型重建的品质高低。在对点云去噪相关问题深入研究学习后,提出一种基于支持向量机的点云去噪方法,本文主要研究内容如下:　　 (1)由于点云模型中点与点之间没有任何拓扑关系,使得对点云处理的时候,时间消耗很大,其大规模散乱无序的点云数据自身的特点制约着剔除噪声的速度,使用适合本文算法且简便实用的数据结构,提高点云使用效率。　　 (2)提出引入支持向量机到点云去噪问题中,利用其最优超平面分割原理,以及良好的统计特性,强大的泛化推广能力,准确、快速的识别出点云数据模型中的噪声,确保模型表达的精准性。　　 (3)支持向量机使用的同时,提出结合分治整合策略。对点云数据模型首先实施分治的方法,再使用增量学习逐步对整个点云模型进行整合,包围盒技术整个贯穿于其中,从而提高训练准确度及速度。这样,一方面可以确保判别模型的可靠性,另一方面也减低了算法运行消耗的时间。　　 实验结果表明,本文提出的噪声去除算法,通过判别模型能够识别出噪声点和非噪声点,高效的剔除噪声。此算法在去除噪声的同时并有效的保持模型原有特征。