随着双目视觉、深度摄像等技术的快速发展,物体表面的离散数据获取技术越来越成熟,因此,三维离散点云逐渐成为多领域的处理对象,而基于离散点云的三维重建技术逐渐成为了计算机视觉、人工智能领域研究的重点和热点。本文采用基于离散点云的表面重建技术,对物体的三维离散点云模型进行快速三维重建处理,主要围绕离散点云重建过程中的k邻域快速搜索、平面Delaunay三角剖分、局部三角网格拼接等关键技术进行了研究。论文的主要研究工作和现阶段取得的主要成果如下：1、提出一种离散点云的k邻域快速搜索算法。该算法采用二次空间划分的思想,将数据空间划分为诸多大小一致的立方体栅格,然后在目标栅格和周围栅所构成的空间内动态地构造以目标点为中心的立方体栅格,不断对立方体栅格边长进行微调,直至最短边长内包含的点数最接近k值,最终确定点的邻域。2、提出了一种基于逐点插入法的快速Delaunay三角剖分算法。首先,构造包含平面所有数据点的边界矩形,并对平面上点的坐标进行升序排列,且按序插入,缩小首三角形的搜索范围；然后对目标三角形的定位方式进行限制,由首三角形重心与插入点连接形成搜索方向线,从首三角形出发,沿着搜索方向线的方向,通过判断搜索方向线和三角形各边的关系来快速确定目标三角形的搜索路径,从而进行目标三角形的快速定位,提高平面三角剖分的效率。3、提出了一种简单实用的网格拼接算法。该算法首先在局部网格边界点处构造一簇三角形面片,然后通过面片匹配找出合适的三角形面片将局部网格的边界点连接起来,实验结果表面该算法不仅能够正确地拼接出完整的三角网格,并且具有较高的拼接效率。通过对离散点云三维重建过程中的三个关键技术进行改进与创新,并将多组实验结果进行对比与分析,验证与证明重建算法的高效性。