随着三维点云数据在不同的领域应用越来越广泛,有关点云数据的处理技术也成为了国内外学者研究的热点。三维点云数据的特征提取作为点云数据处理中的一项关键技术,是区域分割、曲面重建等后续工作的基础,影响着三点云数据的应用效果。而三维点云数据的特征提取是指从点云数据中提取出各种几何不连续点:零阶不连续点(~0)、一阶不连续点(~1)和二阶不连续点(~2)。这些几何不连续点刻画着物体表面的形状特征。因而,研究如何从三维点云数据中准确地提取出特征点,将有助于提高三维点云数据的应用水平。针对零阶和一阶不连续点,本文提出了一种基于局部离群因子算法(LOF)的特征提取方法。该方法首先是对三维点云数据进行几何估算,然后研究几何特性中弦长、单位切向量的角度变化与曲率在三种几何不连续点上的行为变化,再利用LOF算法提取出弦长与曲率的极值,从而反向识别零阶不连续点和一阶不连续点。在使用LOF算法过程中,通过箱线图分析局部离群因子值的分布情况,并以此设定阈值进行数据的筛选。该方法合理、有效并具有可行性。为了检验本文方法提取特征点的效果,文章对规则的三维线点云与三维面点云都进行了实验。针对三维线点云,分别研究在无噪声与有噪声的情况下,该方法提取零阶和一阶不连续点的效果。针对三维面点云,本文则先将规则化的三维点云数据按水平、垂直、斜上和斜下四个方向分解成四组线点云数据,再对线点云数据使用LOF算法来提取出零阶和一阶不连续点,最后将四个方向的几何不连续点进行合并以完成整个三维点云数据的特征提取。实验表明,本文的特征提取方法具有有效性与可靠性。