三维点云场景的重建与分类是点云数据处理中面临的重要课题之一。由于场景结构的多样性与点云数据的复杂性,在场景重构前对点云结构进行合理的分割是十分必要的。本文针对室内场景永久性建筑结构点云分割问题,构建了一种多方法集成的点云分割框架,采取由粗到精,迭代循环的方式。根据结构模型的大小规模及复杂程度,采用高斯映射方法,逐层将建筑场景点云分解为易于探知的点云簇,再通过附加模型先验知识的模型参数拟合算法进行点云精确提取,最终生成点云分割产品。本文所做的主要工作包括如下两点:（1）提出了一种附加先验知识的最大似然随机采样一致性算法——PriorMLESAC。针对点云分割中精确提取点云步骤所涉及的模型拟合算法,本文分析了基于随机采样一致性的模型拟合算法及其衍射算法,为了解决现有算法中存在的阈值不确定和模型点云先验概率不确定等问题,在原有算法的基础上,结合几何模型的物理特征,提出了一种附加模型先验知识的模型拟合算法。该算法引入点云平面维度特征作为点云先验概率,主要解决室内点云场景中垂直/非垂直平面结构与柱面结构几何参数拟合的问题,并通过实验验证本文算法较现有算法在拟合精度、拟合速度以及算法稳定性上的提升。（2）构造了一种基于迭代高斯映射,多方法集成的室内场景点云分割技术。针对复杂程度较高的室内点云场景分割问题,为了能够探测到更加丰富的细节,本文构造了一种迭代的点云分割框架,采用粗分割-精提取的模式,集成现有的多种技术:通过高斯映射的方法,根据点云法矢信息进行聚类,完成点云数据的粗分割;再利用模型拟合算法对点云精确提取。通过迭代的方式逐层分割室内场景中的结构。对点云分割的整个处理流程进行详细的叙述,介绍了根据点云密度连续性聚类的DBSCSN聚类方法,并给出了平面模型与柱面模型几何参数拟合方法,最后针对点云模型过分割等问题提出了相应的优化方案,保证点云分割产品的质量。通过多组实验验证本文分割策略的可行性,并进行精度分析与方法对比,说明本文方法的优劣性。