随着计算机辅助设计技术的提高,使得利用实物数字化技术采集数据的三维重建技术得到越来越广泛的应用。本文主要以三维点云数据为研究对象,在提取边界的基础上研究如何高精度简化点云数据模型以及如何实现点云数据间的精确配准,并在一定程度上解决提高算法效率的问题。本文提出了一种基于Hausdorff距离的点云分片改进精简算法和融合相似原理实现点云配准的改进ICP算法。本文的主要工作如下:第一,介绍了点云数据的获取方法以及散乱点云数据之间拓扑结构的建立方法,包括八叉树法、k-d树法和栅格化法等,并对各种方法进行客观性评价。其中,具体研究了八叉树法的网格划分实现原理。第二,提出一种基于Hausdorff距离的点云分片精简改进算法。首先对点云模型进行X-Y边界获取以保留形状特征;然后计算除边界外其余数据点对应的曲率,并根据平均曲率构造点云模型的模糊集,引入模糊集合理论得到曲率分片的最佳阈值。以曲率最大、最小值差值作为点云的曲率间隔,依次对点云数据进行分片,使得某一数据点对当前分片点云的归属程度达到最大;最后计算各分片内数据点主曲率的Hausdorff距离,获取并保留特征点。实验表明,该算法在提高点云精简率的同时,有效缩短了精简时间,且能较好的保留点云细节特征。第三,针对三维重建领域点云数据配准过程中存在的配准效率和精度误差问题,提出一种改进ICP算法。应用盒子结构划分点云数据,对每一独立单元盒提取特征点构建三角形,根据相似原理,选用与其相似度最大的三角形各顶点作为初始对应点对,引入支持度的概念,并给出评价准则,确保当前点对的成立最大支持其余匹配点对,从而保证对应点查找的正确性。同理,以现有三角形各边为基准,继续构建新的三角形,进而完成所有匹配点对的查找。从理论与实际实验两方面验证了改进后的算法较传统ICP算法效率有大幅度的提高,算法优势明显。