随着计算机图形学的发展,高精度三维模型被越来越多的应用在虚拟现实、现实增强、工业设计以及电影与游戏行业等领域中。由于高精度的模型难以通过人工设计完成,扫描真实物体是获取高精度模型最常用的手段。然而现有的扫描设备的精度有限,且通过扫描得到的模型不可避免的带有噪声。因此近年来,三维模型去噪成为了计算机图形学领域的研究热点。三维模型去噪的主要目标是在移除噪声时保持模型的特征结构,这与二维图像去噪的目标类似。然而,三维模型由不规则的顶点与边构成,这使得寻找相似结构,将数据组织成规则形式等图像去噪中的常用方法难以实行。另一方面,已有部分研究者尝试为不规则的数据形式设计针对性的算法。然而这类研究大部分集中于处理离散点云数据,对于同时包含顶点与边的结构,其处理难度较高,相关研究也较少。针对上述问题,本文提出了三种研究方案,从克服不规则结构带来的影响,以及设计适用于不规则结构的算法两个角度对三维模型去噪进行研究:第一,本文提出了基于块相似对面法向量滤波优化的算法。三维模型的不规则性增加了寻找和利用相似结构的难度,为了解决该问题,本文首先提出了将相邻的面组成为块,作为寻找相似结构的基本单位,并利用面与面之间的距离和夹角来计算两个块的相似性以及寻找相似块。随后给出三种利用相似块的不同方法与传统方法的对比。实验结果表明,本文提出的方法在客观结果上普遍优于传统方法,在主观结果上,对于包含微小特征与大尺度特征的模型,该算法表现出了较好的特征恢复效果。第二,本文提出了基于图分割的引导向量滤波算法。由于三维模型天然具有类似于图的结构,因此本文提出了基于图分割的引导向量滤波算法。本算法分为两部分,第一部分是将局部面划分为块,将每个面视为顶点,相邻的面之间连边建立无向图,并在图上进行归一化分割,以提取局部特征。第二部分是利用局部特征,构建保留特征的引导向量,并进行引导向量滤波完成去噪。由于图分割的速度较慢,本文还提出了多种优化算法来节省运行时间。实验结果表明,对于包含复杂形状的模型,该算法表现出了良好的特征恢复效果。使用优化算法可以在几乎不影响去噪结果的前提下节省约99%的时间。第三,本文提出了基于深度学习的三维模型去噪算法。传统的神经网络难以应对不规则的结构,为了解决该问题,本文首先引入了一种将三维模型体素化的方法。通过该方法,将三维模型转换为均匀排列的体素,并以此作为神经网络的输入。在此基础上,提出了一种网络结构与其对应的训练方法,对于每一组体素化的数据,可以直接输出其对应的去噪后的面法向量。实验结果表明,本文提出的方法在客观评价指标上有明显的优势,在主观评价中,本文方法引入的假特征较少,并且对于来自不同扫描设备的模型,均能达到良好的去噪效果。上述三种算法均具有良好的鲁棒性和特征恢复能力,且无论是主观评价还是客观评价中都表现出良好的性能。并且在特定场景下,三种算法各有其独特的优势。