随着点云数据三维重建技术在工程、科学和艺术等领域的应用越来越广泛,寻找低计算复杂度和高网格质量的三角剖分算法成为计算几何、反求工程、曲面重构、计算机图形学等领域的研究热点。本文主要研究了点云数据三维重建技术。本文的研究对象是点云数据三维重建方法,目的是寻找一种以低计算复杂度重建高质量三维网格的重建算法。本文详细研究和分析了现有的各种点云重建算法,在总结和分析了这些重建算法之后选定区域增长法作为本文的重建算法。本文分析了区域增长法重建网格的算法流程,针对该算法的每个流程步骤和点云数据本身的特点进行算法改进。首先,点云数据本身规模大、点与点之间没有直接联系,对点云数据的处理和拓扑关系的建立依赖于点的邻域间的关系。建立点云数据白的拓扑关系需要涉及大量点的查询和更新操作,因此本文采用八叉树结构存储点云。八叉树结构是将点云数据所在空间做栅格划分得到的,点云数据散落在每个栅格中,每个栅格对应于一个叶子节点,八叉树的叶子节点中存储点云数据。本文提出了一种在八叉树中确定点的不同范围的邻域的方法。其次,本文研究了现有的区域增长法中确立种子三角形的方法,提出了一种在平坦区域内寻找种子三角形的方法。再次,针对现有文献中对区域增长法中新三角形的确定原则。本文总结了确定最佳三角形的几个关键的准则,并将这些准则设计成一个评价函数,利用这个评价函数判断前沿边邻域内不同点加入网格中形成新三角形的优劣程度,以选择最佳点构成新三角形。最后,本文将区域增长法点云重建建模为一个优化问题,从优化问题的角度提高点云重建的效率,并将粒子群算法(PSO)引入最佳三角形确定算法中,提高了点云重建网格的效率。实验算例效果证明了本文的改进算法是切实有效的,本算法提高了点云数据三维重建的效率和精度。