三维激光扫描技术作为近年来发展起来的高新技术,能够快速地、高精度地、密集地,以非接触方式直接获取研究对象表面的空间三维数据,改变了传统的单点变形观测技术,使传统的“点测量”方式变为“形测量”方式。因此,将三维激光扫描技术引入到地表变形监测领域中,具有重要的理论与现实意义。与传统测绘技术相比,三维激光扫描技术提高了自动化提取信息的程度,它不需要布设测点,能够密集地、全面地对测区进行数据采集,相当于布设了一个高密度的网状变形监测网,为变形监测的研究提供了更为全面的实测数据。三维激光扫描技术获取的大面积地形点云模型是以离散采样点为基元的几何模型,不能直接应用于变形监测领域,需要通过数字描述、图形图像表达等方式重建地表曲面,从而提取不同时期地形表面的变形情况。本文针对激光扫描技术获取的点云数据的海量性,提出利用神经网络的方法进行曲面重建,分别模拟出两期点云数据的曲面及两期点云数据的下沉曲面,不仅可得出整个区域的下沉情况,并能直接获取任意一点的下沉值。论文的主要研究成果如下：(1)利用增加尺度的参数优化法对点云数据进行坐标系的统一,实例验证该方法的精度比七参数法和极坐标法的精度都高,为研究两期点云数据的变形提供了基础。(2)研究利用B样条最小二乘逼近方法进行曲面重建,在Matlab中的实现结果表明该方法的拟合精度非常高,但是该方法需要对每一点都要进行最小二乘计算,运算量大,运算时间长；使用较少的点数不仅使得拟合的曲面连续性差,而且丢失了大量的细节信息,背离了应用三维激光扫描技术进行变形监测的初衷。(3)提出利用BP神经网络的方法进行曲面重建,并在Matlab中实现。编写的程序对某个变形区域进行变形前后点云数据的曲面重建,不止得出整个区域的下沉情况,还可以获取任意一点的下沉值。该方法曲面重建的精度一般在mm级,点云数据量越大,其精度越高,计算量却几乎没有影响。