三维曲面重建在虚拟现实、计算机视觉等各个领域应用爆发式激增,得到了广大科研人员的广泛关注。近些年,随着三维扫描设备的广泛使用,得到物体的表征模型特征的点云已经变得非常容易。但随之而来的的问题是点云数量变得更加庞大,拓扑结构更加复杂。在实际的工程操作过程以及实验过程中,对复杂拓扑结构的目标模型重建会出现时效性差、重建的效果冗余、重建的表面粗糙、存在“数据空白”、重建出的曲面存在断层等问题。针对这些问题,本文在以泊松算法为理论基础,对于大规模具有复杂拓扑结构的点云数据模型的重建进行了深入的探讨,其主要工作如下:在点云数据处理方面:通过对目标模型中异常点的详细分析,根据相应规则的进行对应的降噪处理,通过采用双三次样条方程插值操作后,能够很好地修复孔洞,从而解决了模型偏移的问题,采用最小二乘法精确计算新采样点的法向量。通过对实验数据的分析,实验方案在过滤冗余数据的同时能够使目标模型的空间特征得到较为完整的保留,为后续高效率的曲面重建提供了基础。在重建效率方面:针对在重建过程中的点云规模较大,重建实时性较差以及重建效率低下的问题,对原有的算法处理机制进行优化。采用了基于Open MP+CUDA架构的并行化进行加速,让系统分配的子线程去完成每个空间元素的计算任务,通过GPU对泊松重建工作中八叉树求解过程和等值面的提取进行并行加速处理,根据实验数据分析可知,该实验方案具有一定的可行性,实现了点云的并行化重建,大幅度提高了点云重建的效率,增强了算法的实时性。本文实现了并行化的泊松隐式曲面重建系统,该系统由传统的泊松重建模块、优化重建模块、耗时显示模块构成,其中优化重建模块采用了本文所提的算法优化设计方案,整个系统对传统算法和本文提出的优化后的算法有一个直观的对比,证明了本文算法的可行性和优越性。