当今社会,随着科学技术的快速发展,点云数据模型在3D实体造型中的应用也与日俱增,点云数据的特征保持已经成为逆向工程、3D重建、生物医学、质量检测、古文物保护和虚拟现实等领域的热点研究内容。然而在3D扫描过程中由于模型表面镜面反射、人为操作因素或周围环境光照变化等影响,会导致获取的3D点云数据中会包含很多的不属于原扫描模型的噪声点,获取的点云数据中布满噪声将直接影响后续点云数据的正常使用及实验结果的质量。因此,为了获得满意的实验结果,必须选择一种高效且鲁棒的点云去噪、特征保持算法,这也是本论文研究的主要目的。传统的特征保持算法主要有基于网格去噪算法和基于法向去噪算法,两类方法对含噪模型进行处理时,都取得了一定的成果。但是,这些特征保持算法仍然存在着以下局限性:(1)处理噪点密度较高的点云模型时,难以将噪声完全去除。(2)针对模型的尖锐特征会出现过度光顺现象或者过度去噪而在模型表面出现孔洞。针对这种情况,本论文分别提出一种新的改进网格去噪算法和基于多数投票法的尖锐特征保持算法,可以实现可行、有效的噪声去除和特征保持。首先,论文主要研究了改进的网格去噪算法,该方法主要是通过更新网格中顶点位置坐标实现噪声去除,主要有三大步骤:先对原始顶点进行预处理,然后面法线过滤,最后对顶点坐标进行更新。这种改进后的网格去噪算法,对点云特征保持有较强的鲁棒性。其次,论文研究了多数投票算法,它是一种集体决策方案,在特征保持过程中多数投票算法的具体应用如下:首先构建点云的k-d tree拓扑结构,采用主成分分析方法来估计点云所有邻域中每个点的法向,结合曲面变化度对散乱点云进行区域划分;然后将多数投票法应用于特征区域,对模糊点进行识别;最后设定阈值,将判定出的噪声和离群点去除。由于点的种类识别精确,所以该方法可以避免出现去除不完全或者过度光顺等问题。最后,利用相应的实验来对比本文所提算法,验证了改进的网格去噪算法对特征保持效果较佳,也验证了多数投票算法的强鲁棒性。