曲面重建是计算机图形学中的一项重要研究子课题,也是逆向工程里的一项重要技术,在工业设计、电影电视、游戏动画等领域具有广泛应用空间。目前常见的曲面方式通常是依据网格、体素、三角面片等数据结构。采用这种方式构造的曲面在设计和修改上具有一定的困难,特别是在模型重绘中需要一定的设计功底和美术经验。随着三维激光扫描仪的精准度逐渐提升,直接采用三维点云数据进行曲面重建成为一项热门的研究课题。但由于点云数据的数据量大,同时具备无序性、旋转不变性和非结构化等特性,采用传统的基于曲率和凹凸性以及特征描述子或基函数等三维点云模型表面曲面重建方法都难以同时保证模型的全局和局部特征,这些方法不仅计算量大,而且需要大量的数学几何先验知识。为了解决利用三维点云数据进行重建的曲面难以兼顾整体光滑性和局部细节完整性的问题,本文结合现有的曲面重建技术、三维点云的分类分割算法、机器学习的神经网络构建以及流形原理等,提出了一种基于机器学习的流形曲面重建方法,该方法是一种基于点云数据的曲面重建算法,本文的主要研究内容和步骤如下。(1)针对目前点云分割出现的无法直接确定分割深度和广度的问题,提出了一种自合并八叉树的分割算法,它的机理是依据分类的方式来进行分割,并将具有相同拓扑特征的邻域点云进行合并,通过这种合并操作,可以有效的解决曲面重建过程中的拼接问题。(2)结合现有的PointNet++点云分割分类算法,本文提出了一种SMON的点云分割算法。它是一种基于自合并八叉树的点云分割算法,通过构建曲面池来确立点云和曲面的映射关系,并将这种关系交由深度学习算法来构造模型,最后得到一个可以给每片点云标注标签的点云分割模型。这种方法有效的解决了其他点云分割算法过于依赖先验知识的问题。(3)鉴于在曲面重建过程中,容易出现模型在整体上不满足欧几里德空间特性,从而造成难以用基础的基函数来描述这些曲面片,为此引入流形原理作为曲面重建的约束条件,从而保证曲面片在构造的初始期就具备良好的光滑特性。最后将这些曲面片进行拼接融合,构造出完整的模型。对于拼接过程中存在的孔洞,采用了三次B样条技术对其进行了修复,以保证整个模型在重建后是光滑的。