随着三维扫描仪的发展,点云作为三维几何模型的一种表示形式,由于其具有灵活性、易于获取和表示直观等优点,在几何建模和应用中得到越来越多的关注。法向量是点云表示中一项必不可少的属性信息,在计算机辅助设计（CAD）和计算机辅助制造（CAM）等领域中有着重要的作用,其估计方法在点云处理中至关重要。然而,扫描得到的点是独立的,缺乏点之间的连接关系,且不可避免地存在尖锐特征,噪声,采样密度不均匀等问题。因此,快速得到可靠的点云法向是极其富有挑战性的问题。本文首先介绍了与点云法向估计工作相关的国内外研究现状,分析其关键技术,重点讨论它们对噪声、离群点和尖锐特征的处理能力。然后提出一种基于快速的有引导的最小平方表示的点云法向估计算法（Point Cloud Normal Estimation by Fast Guided Least Squares Representation,FGLSR）,该算法通过三个步骤实现。第一步,利用协方差矩阵的特征值计算出每一点的特征权重,即接近尖锐特征的程度,进而将点分为光滑点和候选特征点。最小特征值所对应的特征向量即为每一点的初始法向。第二步,对候选特征点的邻域进行分割。对于一部分邻域,利用快速的有引导的最小平方表示的算法进行分割,并储存分割结果。有引导的最小平方表示算法（Guided Least Squares Representation,GLSR）是一种有效的子空间分割模型,在诸多领域都有广泛的应用。为了提高GLSR的计算速度,本文提出一种新的迭代算法,在确保该算法收敛的基础上,降低了计算复杂度,由GLSR的O（n~3）复杂度降到O（n~2）复杂度,其中n表示数据点的个数。本文将该算法应用到法向估计当中,提高了法向估计的效率。对于剩余邻域,利用法向约束的子空间结构传播算法,从已储存的邻域分割结果中推断其分割,进一步提高了计算的效率。第三步,对于分割后的每个子邻域,都用一个平面对其进行拟合,计算当前邻域到每个拟合平面的距离,在所有拟合平面中选择一个与当前邻域距离最小的平面作为最佳拟合平面。与以前的分割方法不同,本文在选择最佳拟合平面时还考虑了整个邻域内点的密度情况,得到了更好的法向估计效果。最终实验结果表明,本文算法计算速度更快,准确率更高。