在虚拟现实、机器人领域以及数字文化遗产等方面应用中，室内三维模型是不可或缺的数据来源。但是，由于室内环境具有近距离、易遮挡、光照复杂、缺乏绝对定位等特点，所获取的室内移动测图点云难以避免地存在质量下降的问题。为了能够针对不同的降质情况采取不同的有效修补措施，从而得到高质量的点云数据，首先对降质的点云数据进行质量评价就显得尤为重要。然而，由于点云质量具有局部性和多样性等特点，获取可供质量评价建模的标记样本可能需要耗费大量的人力物力。点云质量评价的另一个困难是无法获得或很难获得参考的未降质的点云数据，因此是无参考条件下的质量评价。针对上述存在的问题，本文的主要研究内容将从以下三个方面展开:　　首先，针对室内移动测图点云数据存在的各种质量问题，本文分析使点云降质的各个要素，从而对不同的质量现象进行分类归纳，同时建立了一个具有多种质量类型的公开数据集，并将其用于验证本文所提出的点云质量评价框架的可行性与有效性。　　其次，为了对室内移动测图点云的质量进行形式化的描述，本文采用特征提取和特征选择的方法获取用于描述点云局部范围内质量问题的最优特征子集。　　最后，本文提出了一个适用于室内移动测图点云数据的质量评价框架。其中，为了避免费时又费力的人工标注，本文引入了半监督学习方法，从而达到使用小部分标记样本来标记大量未标记样本的目的。　　本文通过在两组数据集上的一系列相关实验，对所提出的室内移动测图点云质量评价框架进行了分析与验证。结果表明，本文提出的点云质量评价框架能够有效地解决所针对的问题，并达到较好的预期目标。但是，由于室内三维点云存在复合降质问题，所提出的点云质量框架仍然存在一些不足之处。针对这些不足，本文也对以后的研究方向做了进一步的展望。