近年来,三维点云以其独有的空间结构优势,在测绘、医疗、人工智能、休闲娱乐等领域得到了广泛的应用。然而由于采集的数据容易受到相机分辨率、机械振动和采集环境等因素的影响,导致存在冗余和噪声的干扰。因此,对扫描设备获取的原始点云数据进行高质量去噪、有效的分割和高效率的边缘提取,是将三维点云更好的应用于各个领域中的关键部分。本文在此背景下,基于TOF相机采集的数据,研究了三维点云的多目标分割和边缘提取。本论文主要研究内容包括以下几个方面。本文研究了复杂场景下的随机采样一致性平面提取算法。随机采样一致性算法仅仅依靠3个点求取模型系数,具有很大的不稳定性。本文针对此不足提出基于PCA的自适应随机采样一致性算法。在改进算法中,首先随机选取局部内的N个点云,采用主成分分析的方法构建关于这N个点的协方差矩阵,并根据协方差矩阵分解得到的特征值,判断N个点云的区域分布特性。重复上述过程,直至筛选出分布在同一平面的样本。其次根据最小特征值对应的特征向量,进行初始平面模型的拟合。然后用自适应阈值得到局内点。最后通过迭代上述步骤,选出内点数最多的平面模型。与原始的平面提取算法比较,本文提出的算法可以更准确的提取出平面模型,平均错误率仅为2.83%,准确率达到97.17%。去除背景噪声后,需要通过目标分割获取有效信息。本文将收缩思想与余弦相似度引入到欧式分割算法中,提出了改进的多目标分割算法。根据实验数据的特点,本文将点云数据沿法向量收缩,扩大目标之间的欧氏距离,并使用余弦相似度加权的欧式分割算法对收缩后的点云数据进行分割。通过与欧式分割算法相比较,本文改进的算法在相邻和遮挡的边界具有更好的表现,可以把每一个目标完整的分割出来,目标分割错误率仅为3.25%。边缘信息在一些物体的尺寸测量方面起到至关重要的作用。因此,为了提高基于夹角阈值的边缘提取算法的效率,本文提出基于网格化的二次边缘提取算法。通过将点云网格化处理和点云密度统计去除大量非边缘点,得到初次边缘候选点,再通过最大夹角阈值的算法得到最终的边缘数据。将算法在本文的实验环境下进行点云数据测试,改进的算法可以在保证完整的目标轮廓点的情况下快速提取边缘特征点。本文改进的算法和网格化与夹角阈值相融合的算法相比,效率提高了21.26%。