文物作为历史的承载者,反映的是某个历史时期的社会活动和经济基础,对人类理清文明发展脉络、了解历史具有至关重要的作用。由于自然和人为等原因,很多文物正在遭受破坏甚至消失,文物保护工作已刻不容缓。传统的文物修复方式不仅修复速度慢、成本高而且易造成二次损伤。因此,利用新兴技术对破损文物进行修复已迫在眉睫,特别是利用深度学习方法对文物三维点云模型进行补全处理。为了提高点云补全质量,减少噪声和异常值的影响,消除冗余和高度相关特征,对点云数据进行精简也是一项亟需解决的问题。为了提升点云精简质量,使得在保证完整性的同时保留足够的特征信息,论文基于特征提取提出了两种点云精简算法。为了能够将深度学习方法应用于文物点云补全工作中,整理构造了一个文物点云数据集,并提出了多尺度点云补全网络。论文的主要工作如下:（1）提出散乱点云精简算法（scattered point cloud simplification algorithm,SPSA）。算法首先查找并保留点云模型的边界信息,然后基于FPFH（fast point feature histograms）特征描述子计算非边界点的特征值,根据特征值将点云划分为特征子集和非特征子集,保留特征子集内的点,最后以改进的最远点采样算法对非特征子集进行精简。该算法能够在精简掉大量冗余点的同时保证模型的整体性,且对特征细节的保留效果较好。（2）提出自适应点云精简算法（adaptive point cloud simplification algorithm,APSA）。SPSA算法虽然具有较好的精简效果,但是算法流程繁琐,无法运用到批处理工作中。APSA算法首先基于FPFH计算得到每个点的特征值,根据特征值对点云进行排序和统计后,利用幂律函数计算每个点的概率值及累计概率值,在累计概率值上进行均匀采样,累计概率值对应的点即为精简后的点。采用标准化信息熵作为评价标准,实验结果表明,APSA算法不仅在小规模点云模型上的熵值高于其他算法,在大规模点云模型上也有较好的精简效果。（3）构造文物点云数据集Cultural Relic-3D。由于目前还未有公开的文物相关数据集,论文从国内外博物馆网站中收集文物点云数据,归纳整理以后获得文物点云数据集。（4）提出多尺度点云补全网络（Multi-scale point cloud completion network,MPN）。网络基础采用编解码器结构,以多尺度缺失点云作为输入,输出缺失部位的点云,并用GAN鉴别器优化网络。MPN网络采用APSA算法对输入的缺失点云进行两次精简,再用Cg MLP对三个不同尺度的缺失点云提取特征,并将特征合并输入到MLP中得到特征向量。最后以点云金字塔解码器生成缺失部位的点云数据。将论文算法在Shape Net和Cultural Relic-3D数据集上与4种相关算法进行实验对比,结果表明MPN算法具有较好的补全效果。