自从智慧城市的概念首次被提出以来,城市的三维重建引起了广泛的关注。进入21世纪以来,激光扫描技术得到显著的提高,它能够快速、准确、大范围地获取城市场景的三维数据,为城市的三维重建提供了数据基础。作为城市场景的重要组成部分,人造建筑物的三维重建是当前研究的热点,同时也面临数据的后续处理等诸多困难。在大型的复杂建筑物重建方面,由于其结构的复杂性,若需真实、完整的重建出建筑物的三维模型,需要解决复杂细部结构的模型重建等问题。针对建筑物三维重建面临的挑战以及当前迫切的需求,本文的研究工作如下:1、对三维重建算法的研究现状进行深入的探讨,重点分析了三种常用的基于激光点云的三维重建算法(即基于先验知识的三维重建算法、基于语法分割的三维重建算法和基于GlobFit的三维重建算法)的优势和不足,为本文后续的研究工作提供理论依据。2、针对地面激光扫描仪存在扫描死角,导致点云缺失、密度不均匀,使得建筑物立面难以完整分割等问题,现有的RANSAC(Random Sampling and Consensus)和多结构(Multi-GS)等相关的算法,虽然在采样策略方面有一定的优势,但是对于模型的选择和后续模型优化等方面仍存在不足。为此,本文提出了一种基于点密度的指导采样方式,并对提取模型进行再优化的分割算法,即GSMOSAC(Global Sample and Model Optimize)。该算法通过改进最小采样集的选取方式,并对采样模型进行优化处理,以提高获取模型的可靠性。实验结果表明,本文提出的算法比传统的RANSAC、多结构(Multi-GS)算法能够获得更好的分割效果。3、针对RANSAC、PEARL和GlobFit这三种算法在三维重建过程中存在闭合性、扩展性和自动化处理等方面的不足问题,提出了一种基于正则集的三维重建新算法。该算法扩展性较好,而且能够自动地进行几何重建。通过对四组不同类型和规模的激光雷达数据进行实验分析,并与RANSAC、PEARL和GlobFit三种经典算法相比,本文提出的基于正则集三维重建算法的重建效果较好,而且能够较好地解决在建筑物几何重建过程中普遍存在的闭合性问题。