随着三维扫描设备的不断发展,点云数据模型在逆向工程、实体建模、地理信息系统,以及医学图形图像等领域都有着广泛的应用,但是庞大的三维点云数据对计算机的存储和处理提出了很高的要求。为了缓解计算机性能和点云设备测量精度提高之间的矛盾,点云数据的处理受到越来越多的重视,如何更加精准更加快速地进行三维点云数据的处理成了国内外很多学者研究的热点。本文主要研究三维点云数据的精简与拼接问题,主要工作和贡献如下:首先,提出一种基于特征的包围盒随机抽样数据精简算法。该算法序贯式地利用基于包围盒的随机抽样算法和基于综合参数特征的精简算法对点云进行数据精简。实验结果表明:该算法既能保证一定数量的特征点,也可以保证一定程度的均匀性,且算法的运行效率相比于基于特征的方式也有一定的提高。其次,提出了一种针对散乱点云的分步拼合算法。不同于大多数已有的基于曲率信息的拼合算法,本文算法包含了一个序贯式的匹配点对筛选过程和一个基于霍夫变换的坐标变换参数估计过程。在筛选过程中,首先利用曲率相似度确定点云数据间的初始匹配关系,然后利用刚体不变量特征邻域标识相似度和持续特征直方图相似度对初始匹配点对进行连续两次筛选以得到更为精确的匹配点对集。在参数估计阶段,对匹配点对的旋转矩阵和平移矢量进行参数化处理,利用霍夫变换消除错误匹配点对对坐标变换参数估计的影响,从而得到更加准确的坐标变换参数,实现点云的三维拼合。实验结果表明:本文所提出的方法不仅适用于具有任意初始相对位置的部分重叠点云的拼接,而且可以取得很高的拼合精度和噪声鲁棒性。最后,提出了一种孔洞修补方法。该方法首先对交叉重叠点云数据进行剔除并提取点云孔洞边界的特征点,接着对孔洞边界特征点进行均匀化处理,然后使用同心圆局部扩张算法进行填充并将新的填充点以圆为单位进行去密集化处理,最后利用基于Delaunay三角网方法对孔洞修复后的模型进行曲面重建。实验结果表明:该方法可以实现对孔洞的修补并且获得较好的曲面重建效果。