三维点云分割作为三维模型检索、几何变形、三维建模等方面的研究基础,已经广泛应用于众多领域中,如在传统的工业制造业中,通过对不同分割部分的组合变形进行产品设计与开发,加快了产品设计的效率,又如医学诊断方面,通过对复杂器官进行分割,不仅缩小了诊断范围,同时将病变器官与周围器官分隔开降低了治疗的复杂度。受噪声点、点云精简、点云特征估计等影响,现有的点云分割方法容易出现边界锯齿、过分割或欠分割问题。针对存在的问题,本文提出一种基于巴氏距离和形状直径函数的点云分割方法,并进行了相应的实验验证。本文完成的主要工作如下:(1)基于谱聚类和K-means++算法实现点云数据的初分割,提出利用可见度解决初分割结果中的欠分割问题,利用K近邻算法提取边界点及其邻域点,以法向量为基础构建直方图,根据巴氏距离计算直方图的相似性进行区域合并。(2)引入序关系分析法改进形状直径函数(Shape Diameter Function)的计算,利用改进的形状直径函数计算点的SDF值,归一化SDF值并构造直方图,利用Earth Mover’s Distance计算直方图的相似性再次进行合并,基于中轴线和高斯曲率改进Snake算法并进行边界光滑。(3)本文算法基于MATLAB和C++进行实现,采用普林斯顿大学公开的数据集进行实验验证。通过与现有的无监督算法进行评价比较,验证了本文所提出算法的有效性与优越性。