近年来,数据获取技术取得快速发展,三维点云数据在多种应用场景中发挥着越来越重要的作用。点云数据的法向估计作为一项基础且重要的点云分析任务,始终备受学者关注。在传统方法中,基于局部曲面拟合进行法向估计的方法取得较为稳定的效果,但其中的邻域选择仍是一个关键且困难的问题,当邻域选取过大时,对噪声的鲁棒性较强,但是会导致模型的尖锐特征不能被很好保留;当邻域选取过小时,在点云边缘以及细节处可以获得较为准确的法向估计结果,但是算法对于噪声的鲁棒性会大大降低。近年来,基于卷积神经网络的方法通过学习邻居点在曲面拟合中的权重以实现自适应的曲面拟合,取得了较好的法向估计结果。相比于传统方法,该类方法对点邻域进行学习和选择,有效避免了传统法向估计方法邻域选择困难问题。但现有网络大多对点进行统一操作,而没有充分考虑点云的局部几何特性,使得网络对于模型的几何信息学习不充分、导致法向估计结果存在一定偏差。为此,本文针对三维点云数据,提出一套基于曲面拟合的自适应选择邻域且保特征、抗噪声的法向估计算法,具体如下:（1）为充分考虑点云模型局部与全局几何特性,本文提出双边非局部特征增强网络模块与局部-全局特征结合操作。根据前置学习特征以及邻域点几何特性对局部特征进行增强,以更好挖掘模型的局部几何属性、为法向估计提供更可靠信息,同时本文采用局部-全局特征相结合的方式来刻画点云完备的几何特征,并以此为基础学习曲面拟合中的邻居点权重;（2）为更好引导网络学习模型几何特征,本文提出邻域保特征损失函数,依据邻域点受噪声干扰度对邻域点的拟合权重进行自适应设定,进一步推动保细节特征的局部曲面拟合,同时也提高算法对噪声的鲁棒性;（3）为验证本文算法有效性,本文进行大量定性与定量的实验,其结果表明与现有相关算法相比,本文算法对于不同噪声级别以及不同密度分布等复杂情形都可取得更加准确的法向估计结果（取得更优越指标与更显著视觉效果）,并更好地推动了曲面重建等相关应用。