随着深度摄像、激光测距等三维测量和信息获取技术的发展,使得人们能够方便地获得精度和密度都越来越高的物体表面三维数据,利用物体表面三维数据来进行三维模型曲面重建已成为近年来国际图形学界的研究热点之一,大大促进了逆向工程技术、CAD/CAM以及其他快速原型制造技术的发展,并广泛应用于计算机视觉、医学、航空、虚拟现实等领城。而进行散乱点云的三角网格化处理是进行模型曲面重构必不可少的前置处理步骤,也是最重要最关键的一步。因此,研究直接以散乱点云数据为对象的三角网格化处理技术,对快速构造插值曲面及其在各个应用领域的推广使用都有着重大的现实意义。本文的主要工作包括以下四个方面：1.在已有K-邻域去噪算法的基础上,进一步给出了对散乱点云数据进行去除噪声和漂移点的方法,该方法采用高斯函数作为权重函数来评估数据点对其K邻近点的影响程度,可有效解决漂移点的自动识别问题,并通过点云模型的平均两点间距离值及平均影响程度等参数来判断数据点是否为噪声点以及离群点,提高了对散乱点云模型进行去噪的模型自适应性。2.为散乱点云模型提供了一种基于局部曲面分析技术的点云模型自适应简化算法,该算法借助空间分块思想以及局部采样密度分析完成点云模型的自适应简化。算法可以根据用户指定简化后的数据点数或简化比例,完成任意规模大小的点云简化。3.提出了一种散乱点云模型的快速增量三角网格化处理算法,该算法运用波前(Wave Front)方法渐进地由点云数据生成物体表面的三角网格模型。以一个“种子”三角形的三条边初始化扩展边队列,以逐渐生成的新边为扩展元素,借助一系列扩展优化准则,快速完成最优扩展点的评估和三角面片的重建,增量地从当前网格的边界向外扩展三角面片,从而完成整个散乱点云模型的三角网格化。该算法可有效识别带孔洞的模型边界,并能自然处理各种非凸模型的曲面散乱点云数据,具有较强的适应性。4.本文还将点云模型的三角网格化处理算法与点云模型的精简算法结合起来,不仅可实现点云模型多分辨率的三角网格显示,而且在对重建模型精度要求不高的情况下,可有效地减少模型三角网格化处理时间,提高点云模型三角网格化效率,简化的程度越大,所需网格化时间越短。