随着点云数据模型在三维实体造型中越来越广泛的应用,三维模型重建已经成为逆向工程、工业检测、文物保护,医学图像处理等领域的热点研究内容。然而由于三维扫描过程中设备抖动、人为影响等客观因素的存在,导致获得的三维点云数据不可避免会受到“噪声”的污染,再加上点云数据量庞大,这将影响到后续重建模型的显示、存储及处理效率。因此,研究三维点云数据处理技术,对如何保证曲面重建模型的精度和效率具有重要的意义。点云数据处理完整流程包括点云去噪、点云精简、点云配准、特征识别、区域分割、几何估算、模型重建等方面。针对该流程中的点云去噪、点云精简、点云配准这三个方面,论文的主要工作及研究内容如下:首先,为从含噪声的散乱点云数据中提取出理想目标点云,本文提出一种基于改进K-means聚类算法的点云数据去噪算法。该算法能够很好地自动识别及去除局部离群噪声点,最大程度的保留了理想点云的原始扫描信息。实验表明:相比于全局点云去噪,该算法迭代时不需要遍历全局数据,迭代次数减少,时间损耗得到降低,去噪效率得到有效提高。其次,针对点云数据的冗余会严重影响曲面重构速度和重建模型光顺性的问题,本文提出一种结合点云曲率和法向的点云数据精简算法。该算法通过提出一种能够确定最佳聚类数的改进K-means聚类算法构建散乱点云数据点的空间拓扑关系;其次,综合考虑类内点云数据点的曲率及法向量方向,并将两者加权获得特征因子,从而通过特征因子来判断三维数据点是否为特征点;最后,通过设定特征因子的阈值来简化不同类内的点云数据,从而得到含特征的点云数据。实验表明:该算法提高了简化效率,能够更好地保留点云数据的细节特征和几何形状。最后,针对现有迭代最邻近点(ICP)算法在点云数据配准过程中查找对应最近点速度缓慢、配准效率低的问题,本文提出一种采用点云重心距离进行边界检测的点云数据配准新算法。在对点云数据进行粗配准的前提下,通过点云重心距离特征对待配准的不同视角点云进行边界提取;在此基础上,利用K-D树在两点云边界中查找对应最近点对,并通过单位四元数法进行坐标转换,求得平移矩阵及旋转矩阵,从而实现快速、精确的点云数据配准。实验表明:该算法能够减小配准误差,提高配准精度及速度,尤其针对数据量庞大的点云配准效果显著。