三维计算机模型在逆向工程、计算机辅助设计以及计算机图形学等领域得到了广泛的应用,为产品的快速开发创造了条件。近年来,数字测量设备的快速发展使得我们能够直接得到物体表面的高密度点云数据,因此对三维点云的数据处理和建模成为计算机工程领域的研究热点。点云通常包含海量的点,给后期的数据处理和建模带来极大的困难,因此点云的简化成为点云研究中的重要步骤。目前对点云简化的研究主要存在着精度不够、处理速度比较慢等问题,本课题针对现有问题,提出一种基于近邻传播聚类与重采样相结合的点云简化方法,并分别针对均匀分布和非均匀分布的点云进行了简化处理。本文主要工作和成果如下:(1)提出一种将近邻传播聚类算法(AP)与均匀网格重采样相结合的点云简化方法,克服AP算法中相似度矩阵过大难以存储的问题,并保留其能够把采样点都作为潜在代表点的优点。(2)针对密度均匀分布的点云,本文采用协方差矩阵计算点云中的点曲率,并将点曲率作为近邻传播聚类的偏向选择参数,增大了点云模型中高曲率点保留的概率,较好地保留点云细节。针对密度分布不均匀的点云,提出将密度和曲率共同作为近邻传播聚类与均匀网格划分点采样方法中的偏向选择策略,并分别根据简化点个数和简化率来对点云进行简化。此外,在均匀划分网格时,能够自适应地根据曲率大小对是否进一步划分网格进行决策,从而能够保留较多的细节点。(3)本文采用三角网格法对简化后的点云和原始点云进行局部距离计算,并将距离之和作为两者之间误差的评判标准,对点云的简化结果进行分析。最后,本文通过实验对算法进行验证,对均匀分布点云和非均匀分布点云分别进行有效简化,实验结果表明,该方法提高了点云简化的准确度,且能够适应于不同类型的点云。