随着产品国产化趋势的日益增强，如何快速消化、吸收进口产品，并在此基础上进行自主创新，受到业内的广泛关注。而逆向工程技术对还原、分析设计参数，研发、设计新产品起着不可或缺的作用。　　逆向设计的首要环节是数据采集，虽然目前的数据采集方式多样、工业扫描设备种类繁多，但也难免会由于采样设备、样件特性或采样技术等原因，使得局部采样点缺失，在点云模型上形成孔洞。如果直接在此基础上进行曲面重构或快速成型制造，无疑会影响曲面重构效果或影响成型产品质量。为获得高度接近原型的3D点云模型，本文对孔洞修补技术展开研究，并对修补过程中的孔洞识别、修补方案评定等方面进行了研究。　　以逆向工程商用软件难以修补的复杂型面产品的散乱、复杂缺失点云孔洞为重点研究对象，主要工作在于：一、在孔洞修补方面，在课题组已完成的BP及RBF神经网络修补研究的基础上，借助粒子群全局优化方法（PSO）、对手受惩罚竞争学习算法（RPCL）联合模糊C均值聚类算法（FCM）来分别优化BP及RBF神经网络以进一步提高网络预测精度，建立了基于改进神经网络算法（即 PSO-BP算法以及 RPCL-FCM-RBF算法）的点云孔洞修补模型，以实现更为精准的、满足模型精度要求的孔洞修补方法；二、在孔洞识别和可补性判别方面，初步建立并实现一种不依赖商用逆向工程软件进行人机交互识别、试探修补的计算机自动识别方法及可补性判别方法。该方法利用KD树建立散乱点云的空间拓扑关系，在考虑点云密度的基础上利用 K邻域搜索和距离判别法来识别孔洞边界点，并以此提取边界数据；凭借支持向量机的二分类技术进行孔洞可补性判别，为修补方法的选择提供理论指导以协调修补精度和修补效率之间的矛盾，力求在提高修补精度的同时尽可能提高逆向建模效率。