在点云特征点提取问题中,由于点数据之间缺乏连接关系,并且数据常受到噪声和数据缺失等问题的影响,如何快速、有效地提取特征信息,将对几何特征保持的点云去噪和简化、网格重建、点云数据匹配等问题的解决提供帮助。近年来,许多学者提出了不同点云特征点提取算法,如通过局部构造黎曼树进行多尺度分析的算法、利用最小生成树特征线提取的算法、利用最小二乘拟合曲面进行曲率分析的算法和利用高斯法线聚类的算法。但这些算法都没有很好地解决点云数据尖锐特征和平滑特征提取的准确性和有效性问题,针对现有算法存在的问题,本文提出了基于局部重建的点云特征点提取算法。首先,对局部邻居进行协方差分析计算每个数据点的特征度量,通过阈值过滤筛选出初始特征点集合；然后在每个初始点的局部邻居内构建不跨越特征区域并能有效反应局部结构信息的三角形集合；由于噪声数据的存在,为了获取潜在曲面有效的法向信息,我们对三角形集合进行l1法向重建；再利用共享最近邻算法对重建后的法向进行聚类,得到对应局部邻域数据点的分类集合；最后对每类数据点集进行平面拟合,通过判断该点是否同时落在多个平面来判定是否是特征点。实验结果表明,该方法简单、稳定,能够在有效提取显著特征的同时尽可能多地保留相对较弱的特征；对局部邻域选取的大小不敏感,具有一定的抗噪能力。