3D点云数据是3D视觉任务中最常见的数据形式之一,利用3D点云进行表面重建是计算机视觉和图形学中的一个被广泛研究的问题,如何对难以处理的点云进行高质量的表面重建始终是研究热点与难点。论文针对面向大规模点云的高质量表面重建算法进行深入研究,并针对存在的问题提出解决方案。主要工作和创新总结如下:第一,针对面向点云的传统表面重建算法以及基于深度学习开发的表面重建算法进行总结分析,阐述点云表面重建常用的数据集,重建质量的评价准则,分析经典的几何算法与基于深度学习的先进算法的优势,并指出不足之处。提出基于深度学习的大规模点云表面重建算法的设计方向,为后续创新算法的提出提供理论支持。第二,提出面向大规模低质量点云的可扩展表面重建算法。针对当前基于深度学习技术的点云重建算法不具备可扩展能力这一问题,采取大规模并行处理的解决方案,从大规模稠密输入中挖掘局部几何信息,构造局部感知的几何特征拓宽算法局部感知的能力,消除全局特征对可扩展能力的负面影响,有效解决当前算法无法处理大规模稠密输入的问题,并提高算法的泛化能力。针对当前基于深度学习的点云表面重建算法无法高质量重建低质量点云这一问题,提出层级独立的设计思路,旨在从八叉树结构中习得丰富信息,有效提升对低质量含噪输入的重建效果。第三,提出面向大规模低稠密度点云的高效高质量表面重建算法。针对现有基于深度学习的点云表面重建算法在处理大规模点云时,不得不做出以牺牲重建性能为代价的降采样这一问题,提出面向大规模低稠密度点云的高效高质量表面重建算法。算法整合局部几何信息与图结构信息,探索从低稠密度输入中挖掘高维信息的能力,提升在低稠密度点云上的重建性能,在不具备稠密输入条件时依然可以稳定输出高质量重建结果。实验表明,算法以更高效的方式对低稠密度含噪输入实现了一流的重建性能。