点云是三维数据的表示形式之一,相比于其它的三维格式（如三维网格、体素和距离场等）,点云保留了最原始的几何和空间信息,是对被扫描物体最精确的表达。点云是空间中物体表面采样点的集合,本身并没有固定的结构形式,具有无序性、稀疏性,这对点云的分析和研究提出了挑战。真实世界中的点云数据通常是从Li DAR传感器或者是深度相机中获取的,以这种方式获取的点云通常是稀疏、不完整、非均匀且带有噪音的。如果直接把采样到的点云应用于分析,渲染,表面重建等任务中,将会影响这些任务的质量。为了解决该问题,扫描的原始点云往往作预处理后再用于研究,在该过程中,点云上采样算法和点云去噪算法扮演了至关重要的作用。本文致力于对三维点云在上采样和去噪过程中的关键技术展开研究,重点围绕如何结合标准化流技术生成高质量的点云。本文的主要研究工作和创新点如下:1)本文提出了一个基于标准化流的点云上采样算法,该算法结合了标准化流和权重预测技术,能根据输入点云信息,在三维物体表面上的生成稠密、均匀的采样点,提高输入点云的分辨率。具体来说,该算法利用标准化流的可逆特性来实现点云在欧氏空间和隐空间之间的映射,并将上采样过程转化为隐空间下相邻点插值过程,其中插值的权重是从每个点局部邻域内自适应地学习和预测的。大量量化和可视化的实验结果表明,该方法的生成点云质量在分布均匀性、细节保真度、表面重建质量和计算效率等方面都优于目前最先进的方法。2)本文提出了一个基于标准化流的点云去噪算法,该算法结合了标准化流和噪声解耦技术,能从含有多种噪声类型和异常值的点云中恢复出表面平滑、分布均匀的点云。与现有的方法提取点云特征后再进行逐点的坐标校正的思路不同,该方法从学习噪声点云的分布出发,并利用标准化流的特征解耦能力实现去噪操作。本文利用标准化流的可逆特性来实现点云在欧氏空间和隐空间之间的映射,并提出了使用维度增强技术来增强标准化流的特征表达能力和灵活性。大量量化和可视化的实验结果表明,该方法能有效地应对多种噪声水平,维持较好的分布均匀性,其生成质量在各个性能指标上都能优于目前最先进的方法。