激光雷达技术目前已经在商业中得到了广泛的运用,目前通过激光雷达技术对点云数据处理系统的研究也有了长足的发展。由于激光雷达数据扫描数据所获取的是大量的离散化三维数据信息,这些以坐标来记录的数据称为点云数据。点云是表示实际物体三维信息的统计无序数集,包含了物体的三维坐标值,颜色值和灰度值。使用激光雷达的信息采集处理系统采集数据时,由于会受到外界的干扰因素（如光线反射、阴影环境）、扫描精度、物品机械振动的负面影响,这些影响会使采集到的点云数据存在着很大的噪声和孔洞。由于这些点云空间密度相差较大,使得分析结果不能直接描绘实际物体的模型。对于上述存在的漏洞,本文设计了一种基于激光雷达的点云数据的处理算法。包括对点云数据处理的简化、过滤、检索、法向量估计、曲面重建、点云数据分割以及可视化研究。本文不但对雷达扫描的点云数据进行一系列处理,而且根据聚类融合的思想,设计一种自适应的欧式聚类算法进行数据分割;通过RANSAC一致性的原理,设计一种平面分割算法对地面点云数据进行分割。对此论文研究的激光点云数据的处理技术,主要内容包括:在点云数据简化方面,分别使用包围盒体素块简化和曲面变分来实现点云数据的简化。曲面变分以边界曲率划分准则为基础,边界曲率使用非均衡网格模型,对边界点和近邻点进行简化处理,且识别效果显著。体素块简化实质产生了一立方体网格,而简化点云的办法就是在体素方块中只产生一点,因此方块内每边的直径都越大,点云的分辨率也就越低。对于简化后的点云数据,引用包围盒思想,将识别处理后的物体通过立方体盒包裹。在点云数据检索方面,使用了PCL＿kd-tree模块用于在近邻地区搜索点云信息,并通过把大量分散的（具有噪声的点云数据）点云数据组织起来。建立与数据点的拓扑关联。使用kd-tree搜索邻域关系可以对点云数据实现快速搜索。在点云数据曲面重建方面,先对数据进行近邻检索,其次进行法向量估计,拟合出表面切平面的法线,切平面用最小二乘法平面拟合得出的。曲面重建使用PCL＿surface模型,完成了点与曲面数据间构建平面的拟合。利用贪婪投影三角化算法进行对点云数据的曲面重建。对于点云数据分割,使用RANSAC平面分割和欧式聚类切割,平面切割借助RANSAC算法,通过随机取样去除掉局外点,保留内敛点。经过一次次的迭代,最终达到最佳的分割效果。欧式聚合法是指把距离紧密度最高的点云集合起来,尽可能地将点云数据囊括在聚类内。使得分割出的物体特征明显,更加明确。以kd-tree数据结构为检索基础,能够满足时间复杂度为o（log（n））,且检索效率快。本文在Windows平台下,结合了PCL点云库实现了可视化的三维重建系统。经过对软件的运行结果和实验分析,证明了对点云数据处理的可行性。