3D传感和扫描技术已经被广泛用于捕捉物理物体的数字表面。然而,在捕捉和3D重建过程中,由于各种内外因素噪声不可避免的进入,这降低了表面数据质量及其可用性,显然妨碍了后续的几何处理任务。网格去噪是几何处理中的一个重要的工具,在计算机图形学中有许多应用,如计算机辅助设计、逆向工程、虚拟现实和医学诊断。网格去噪的主要目标都是在去除噪声的同时保持清晰的特征。传统的一些方法虽然可以有效的去除大部分噪声,但是同时或多或少的会模糊特征和丢失细节,因此,我们需要一个有效的保特征的网格去噪算法。近年来,在网格去噪任务中,仍然存在下面几个挑战:首先大多数最先进的方法最佳参数通常是手动选择的,并且在整个模型和整个去噪过程中保持不变。其次,如何在网格去噪的过程中防止网格体积收缩;第三,如何把网格去噪这一经典任务和最新的机器学习有效的结合起来,让去噪模型变得实时且有效。本文针对上述挑战提出了针对性的有效的网格去噪算法。针对前两个问题,我们提出了一种两步的迭代算法,其中大部分参数是自适应和自动调整的,且该算法的顶点更新可以在一定程度上防止体积收缩和翻转三角形,方法的有效性在于:1)在每一次迭代中,根据网格中不同区域特征强度的不同自适应的调整参数来达到保特征的效果。2)随着迭代的进行,通过参数随着迭代次数的变化而自动调整,逐步降低光滑项的比重,从而达到在迭代后期保细节特征的作用。3)顶点更新中通过引入约束项,在不同程度上把顶点拉回到上一次的位置来防止网格体积的收缩。针对第三个问题,我们提出了一种基于循环神经网络的数据驱动的网格去噪方法,该方法学习了网格面的特征描述符和真实法向量之间的关系。利用循环神经网络的自反馈特性,使得隐藏层的输出不仅与当前的输入相关,而且与先前时刻的输出相关,从而可以更准确地建立从面的特征描述符到面法向量的映射函数。最后根据估计的面法向量来调整更新顶点的位置。大量的视觉和数值结果表明,与现有技术方法或其他网络结构相比,我们的两步走的迭代方法很有效,我们的数据驱动的方法中所提出的模型在各种各样的模型和噪声类型上都可以获得更好的实时去噪结果。