地面激光雷达(LIDAR)技术获取的点云数据量庞大,可精确重建物体外表面。海量点云数据配准和曲面重建作为建模的关键技术环节,算法的选择和优化直接影响建模效率,是目前的研究热点。本文针对激光雷达扫描的点云数据的数据处理算法进行了深入细致的研究。首先研究了点云数据的预处理方法,然后在传统ICP算法的基础上提出了一种基于k-d tree和方向向量阈值的点云配准算法,最终利用Crust算法实现了点云数据的曲面重建。本论文的主要工作内容包括:(1)分析了地面激光点云数据的预处理方法,包括数据获取、点云去噪、点云精简和三维变换的常用方法,并对算法原理和适应性进行了分析。由于本文处理的是海量散乱点云,即数据点之间没有直接的拓扑关系,并且点云数据的预处理需要涉及大量的查询和更新操作,本文采用k-d tree结构存储点云,进而实现点云数据的预处理操作。(2)提出了一种改进的ICP点云配准算法。该算法首先利用主成分分析构建点云的主方向坐标系,通过两组坐标系的旋转一致来实现点云的初始配准,获得较好的点云初始位置,然后在经典ICP算法的基础上,采用k-d tree结构建立点云的拓扑结构来提高点云邻域搜索的速度,并通过方向向量夹角阈值来判断对应点对的正确性,从而去除错误点对,增加了算法迭代的正确率。最后对改进算法和经典ICP算法的配准结果进行了比较和分析,实验表明本算法流程在保证配准精度的前提下,显著提高了配准效率。(3)采用Crust算法实现了点云数据的曲面重建,该算法思路缜密,编程较为简单,可以很好的完成点云曲面重建。经实验验证,此方法能够很好地表现目标物体的特征信息,同时效率较高。