随着传感器和扫描设备的不断革新,三维重构技术被广泛应用在自动驾驶、VR看房、智能机械手等各个领域,该技术需要将扫描设备捕捉到的结构信息通过坐标运算还原成初始的立体模型。在重构技术中,合理的设置精简与配准方法对其效果起着决定性作用。课题从点云精简、粗配准与精配准三个方面展开对点云处理技术的研究,具体内容如下:针对点云精简过程,提出基于FCM聚类算法的点云精简方法、基于KFCM聚类算法的点云精简方法以及基于信息粒化的点云精简方法。基于FCM聚类算法的点云精简方法以稠密点云数据作为输入样本,迭代更新其隶属度矩阵及聚类中心,当以加权误差平方和建立的目标函数收敛时,输出模型的聚类中心作为精简后点云;基于KFCM聚类算法的点云精简方法将原始扫描点云以核函数映射至特征空间,丰富了高维数据的信息保留度;基于信息粒化的点云精简方法将模糊集思想融入点云数据划分,在合理粒度原则的基础上将原始数据描述为包含语义的信息粒,筛选出的优质信息作为整体点云模型的细节描述符。实验结果表明,以上三种方法均可在良好保持点云基本特征的前提下降低源点云分辨率以达到精简效果,且可通过调节参数控制输出点云的疏密程度,并在与配准任务的适应性实验中可满足各类算法的基本需求。针对点云粗配准过程,分别提出改进的基于特征直方图融合RANSAC的配准算法与基于谱聚类算法的点云粗配准方法。方法一利用权重因子改进原始算法的信息点保留策略,在此基础上将直方图的建立进行更细致的划分以提升对点云结构特征的捕捉程度。方法二利用谱聚类将点云分割为包含结构信息的特征块,根据特征块匹配求解刚性变换参数,该分配策略在估计时考虑了全局信息,可有效地避免匹配结果陷入局部最优,且由于本方法引进了谱聚类作为点云分割依据,利用无向图表示点云信息,增强了数据间的耦合性,故在点云逐渐稀疏、含有噪声甚至局部缺失时,依然能保持良好的配准效果。针对点云精配准过程,提出基于FCM聚类算法的点云精配准方法。该方法将配准问题转换为聚类问题,在聚类算法迭代更新的同时实现刚性变换参数的逐步求精,当由刚性参数构建的目标函数收敛或迭代次数达到最大时结束迭代,输出聚类和配准结果。实验结果表明,该方法可有效地将粗配准后的点云模型进行二次配准以提升整体算法精度,且拥有较高的鲁棒性。