随着三维激光扫描精度的不断提高,三维激光扫描技术被大量应用在地铁隧道变形监测、工业零件检测、古文物三维重建等对精度要求较高的行业。由于三维激光点云数据具有高精度性和高密度性,使得点云数据量越来越庞大,给点云数据的处理与应用带来了一系列的难题。因此,研究保留特征的点云精简算法是解决点云数据应用的关键。然而,随着精简率的提高,精简后点云数据与原始点模型的误差逐渐增大,导致精简后的点云构建的三维模型的精度也逐渐降低,为了既能够精简点云又能保证模型的精度,就需要提升网格精度。本文针对点云数据的精简及精简后点云构建三角网格优化问题展开研究,研究内容如下:1.本文针对点云精简算法在处理散乱点云数据时特征保留不完整和对小曲率点云精简造成数据空洞问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法利用八叉树建立散乱点云数据的邻接拓扑关系和k邻域,采用Hausdorff距离对点云数据点的主曲率进行分析确定特征区域,根据精简比例设定阈值对点云进行初步精简,最后利用k-means聚类对初步精简的点云数据进行精细处理得到最终的精简数据。实验结果表明,该方法能较好的保持原始点云数据的几何特征,并且精简点云分布均匀,避免了过精简造成数据空洞。2.针对高精度、高保真的点云数据在精简后点云数据重构网格精度降低误差增大的问题,提出了面向点云数据的复杂几何模型对象优化方法。该方法首先利用八叉树法构建点云的索引以及建立点云与格网的拓扑关系,并利用原始模型与精简后点云数据重建模型顶点欧式距离度量的方法计算重构网格的误差,然后根据预期精度去确定需要优化的网格,接着利用面片划分法(增点法)对网格进行细分,最后根据插入点公式对预插入点进行重新定位,以误差最小的点作为插入点。实验验证表明:利用本文方法对兔子和龙进行一次细分使得精简率90%兔子重构网格误差由0.81mm提升到0.48mm,精简率90%龙重构网格误差由0.36mm提升到0.11mm。