近年来,由于各种三维扫描设备获取的点云数据具有距离和轮廓信息,正广泛应用于自动驾驶、工业检测和地形测绘等领域。然而采集的原始点云数据往往存在一定的缺陷,目标间的相互遮挡造成的点云缺失现象会对点云数据的分析和识别带来困难,如何利用残缺的点云预测完整的目标点云成为了当前深度学习技术在点云应用上的研究热点。三维传感器的运动和点云拼接也会使得采集到的点云数据存在一定的噪声,现有的去噪算法难以恢复尖锐的特征,如何在去除噪声的同时保留结构细节是当前点云去噪技术的关键问题。论文针对当前点云补全技术和点云去噪技术所存在的问题开展了相关研究工作,主要包括:（1）针对单模态点云补全网络需要更好地恢复点云目标细节特征的问题,提出了一种基于编解码器的单模态点云补全网络,利用关系感知编码器来融合多通道的特征信息,利用树状解码器聚合局部和全局特征来输出补全的目标点云,提升了点云补全网络的性能。（2）针对残缺程度较大的点云目标可能存在多种补全可能性的问题,提出了一种基于可逆条件生成流的多模态点云补全网络,通过最小化负的最大似然对数损失来转化点云空间的概率分布,针对输入的不完整点云分析结构特征并采样输出多个具有高保真度的补全预测。（3）针对需要在点云去噪的同时恢复出局部拓扑结构的问题,提出了一种基于非局部协同投影的点云去噪算法,通过构建高度投影向量提取局部点云空间的分布关系,查找目标点云的非局部相似块来聚合细节特征,利用最小化加权核范数的最优化方法来去除噪声并恢复尖锐的拓扑结构。论文采用Shape Net和KITTI等多个目前通用的数据集进行实验分析,结果表明,所提出的点云补全算法和去噪算法在重建精度和可视化效果上均优于目前主流的算法。在此基础上,利用16线激光雷达采集了实测点云数据,进一步验证了所提出算法的有效性。