随着现代计算机技术的不断进步,逆向工程技术和三维打印技术的发展越来越深入人心,点云重建作为两种技术中的重要研究方向,广泛应用于汽车、航空航天、生物医疗等各个领域的产品研发和仿制。近年来,人工智能由于具备很强的学习能力、处理非线性能力、具有协作能力等优点,受到逆向工程和三维打印技术的大力关注,并应用于点云重建的研究上,有着广泛的前景。本文针对散乱的无规则点云数据开展人工智能算法的研究,主要内容如下:(1)为了有效地提高点云重建模型的质量、收敛速度和精度,提出了动态生长的自组织神经网络点云重建技术算法,基于自组织神经网络算法,构造了球体三角网格为网络的映射结构,通过对大量无规则节点进行网络学习达到神经元节点的分裂,改变网络结构的固定性,删除不稳定的网格节点,通过网格优化使神经元节点与输入的离散点云保持更加地紧密,最终得到较好的网格重建结果。(2)针对复杂拓扑结构的曲面、亏格曲面等对点云重建技术的限制,提出了动态生长的神经气网络点云重建算法,根据输入的样本点云,自适应调节重建速度的增长,保持几何关系和拓扑结构的收敛性与协调性。利用寿命阈值和累积误差值来插入新的神经元节点,寿命删除机制来删除冗余边的连接。此算法点云重建会产生较高的鲁棒性,重建三角网格的拓扑结构具有收敛性,曲面逼近精度较高,网格比较均匀,最终重建的结果更为理想。(3)针对曲面三角网格重建孔洞修补的问题,研究了动态生长的神经气算法。利用此算法的基本思想,通过非流形边的检测机制删除冗余边并且实时地更新三角面片的信息,在算法重复学习的过程中,直到每个三角面片都达到收敛。利用动态生长的神经气算法修复实体模型中存在的孔洞缺陷,有效地提高了网格重建的效率和曲面的精确程度。上述的研究内容,基于Matlab平台研发了相应的算法模块,通过实验验证了算法的有效性。