实物表面采样数据是表示实物产品表面三维坐标信息的空间散乱样点的集合,集合中包含一些能够表达实物原始曲面边界特征的样点,这些样点共同构成了实物表面采样数据的边界特征。本文对实物表面采样数据边界特征识别方法进行了深入系统地研究,对目前边界特征识别方法存在的边界特征识别不完整、适应性不强、误识别率较高等问题进行改进与优化,使边界特征识别的效率和精度都得到了有效地提高,为后续曲面重建奠定了坚实的基础。主要研究内容与研究成果如下：(1)提出一种基于逆向均值漂移的样点拓扑邻域查询算法,以样点的k邻域作为初始拓扑邻域参考数据,将均值漂移方法用于搜索概率密度极大值的迭代过程转化为搜索概率密度极小值的过程,使得邻域搜索过程能够向采样数据密度减小的方向移动,在移动过程中便可获取样点邻近采样数据稀疏区域内的有效邻域样点,最终所获取的拓扑邻域数据能够更好地反映样点周围采样数据的拓扑邻接关系和局部型面特征,而且在邻域查询过程中结合动态空间索引RR*树显著提高了邻域查询的效率。(2)提出一种基于核密度估计的边界特征识别算法,基于目标样点与其拓扑邻域构成的局部型面参考数据,利用核密度估计方法计算可反映局部型面参考数据分布特点的模式点,通过比较目标样点与其对应模式点的偏离程度进行边界特征的判定,实现了对任意复杂曲面裁剪边界、几何连续的相邻面片公共边界以及曲率变化较大的过渡曲面等边界样点的准确提取,并显著提高了边界特征识别过程对非均匀分布采样数据的适应性。(3)采用聚类分析方法对边界特征识别算法所识别的边界样点进行分类,为提高边界样点的聚类优度,提出一种主元分析导向的k-均值聚类算法,基于逐步前向优化与主元分析相结合的初始分类中心选取方法解决了k-均值算法容易陷入局部收敛的问题,提高了逐步前向优化的初始分类中心优化效率和聚类结果的稳定性,并获得了分类个数在整数区间[1,k]内的连续聚类结果,为实现边界样点的自动分类提供了有效保障。(4)将边界样点所在位置的局部型面的平面度作为区分边界样点类型的依据,基于主元分析导向的k-均值算法,对由边界样点的局部型面参考数据与其微切平面的残差平方和所组成的数据集合进行自然分类估计,有效解决了实物表面采样数据的剪裁边界与棱线过渡边界等边界样点的分类问题。