点云分割是将点云数据按照一定的规则划分成具有不同性质的子区域的过程。对点云数据进行分割不但能减少点云数据中的冗余信息,分离不同物体的边界,而且还能生成更加丰富的特征信息,从而为后续的分类、识别和重建等操作提供帮助。因此,对点云数据进行高效准确的分割已经成为了一个越来越重要的课题。由于环境的复杂性以及点云获取设备在硬件上固有的限制,使得原始点云数据中往往含有大量的噪声点。此外,点云数据还具有数据量大、密度分布不均等特点,这些问题都给点云分割带来了巨大的挑战和阻碍。针对以上问题,本文在现有算法的基础上进行研究,提出了一种基于超体素类型的三维点云区域生长分割算法,该算法首先对原始点云进行超体素化以获得能够保持物体边界和提高噪声抵抗能力的超体素数据,然后对超体素根据平坦度进行分类以方便后续的分类讨论,最后使用改进的区域生长算法实现超体素数据的融合。本文的主要工作如下:（1）为了更好地对超体素平坦度进行衡量,并且对超体素类型进行合理的判定,本文基于超体素整体形状及其体素间的差异性对整体平坦性的贡献,提出了一种超体素平坦度描述因子,并基于该因子对超体素类型进行判定,以便算法后续步骤中对不同类型超体素进行分类讨论。（2）针对当前区域生长算法在选取种子点时仅仅考虑当前种子点的曲率,使得种子点位置选取不合理从而导致分割效果不佳的问题,本文基于超体素邻域内的平坦度和一致性提出了一种种子点排序评估函数,并在此基础上提出了一种新的种子点排序策略,以保证种子点的位置选取的合理性。（3）针对当前分割算法使用单一的判定准则或者将多个判定准则融合成一个条件进行生长判定,容易导致过分割或者欠分割的情况,本文对不同类型的超体素构成的连接对进行分类讨论,分别使用不同的基于视觉特性的多层次几何约束判定准则,以确保区域融合的合理性,从而提高算法的准确性。此外,通过调整超体素类型阈值来改变不同超体素所占的比例实现算法精度和速度的权衡。本文分别在室内场景数据集OSD数据集和大型户外场景数据集Semantic3D数据集上对所提出的算法进行了实验验证,并且将本文算法与多种具有代表性的点云分割算法进行了对比。实验表明,本文所提出的基于超体素类型的三维点云区域生长分割算法具有较好的准确性。