随着信息时代的到来,逆向工程技术在虚拟现实、考古研究、生物医学、汽车工业、水利工程地形测绘等工程领域的应用越来越广泛。然而随着三维扫描仪精度的提高,使获取到的点云数据信息量十分庞大,而且散乱的点云数据缺失拓扑结构。因此,点云数据简化和三维表面重构作为逆向工程的两个关键技术一直是人们研究的重点问题。本文以三维激光扫描仪获取的三维点云数据为研究对象,主要围绕离散点云重构过程中的点云数据简化、三角网格剖分和网格光顺等关键技术进行了研究。研究工作和现阶段取得的主要成果总结如下:针对点云数据简化处理过程中容易丢失模型特征信息的问题,提出了一种自适应点云特征点提取算法。通过计算数据点到其邻域点的距离、该点近似曲率值、该点的法向与邻域点法向夹角的和来设定点云特征参数,根据特征参数正态分布的特点自适应地取均值与方差作为阈值来提取特征点,不需要输入系数。将该算法与球面参数化简化算法相结合,对于大规模点云数据和复杂模型具有良好的简化效果,并保留了原始点云模型的细节特征。实验结果表明,该算法简单稳定且耗时短。对基于Delaunay三角剖分的三种典型算法详细地进行了分析,通过优缺点对比,提出了一种基于Delaunay的生长算法的改进算法。利用自适应空间外接球策略来寻找三角形生长的最优点,进行迭代生长。通过实验验证,该算法重构的三角网格速度快,效果清晰。针对重构后的网格模型存在棱角凸出的问题,提出了一种新的保持模型特征的网格光顺算法,该算法结合了拉普拉斯算子较好地保持三角形规则性的优点和平均曲率方法准确度好的优点,采用拉普拉斯切向分量与平均曲率法向分量调整网格顶点,使三角网更均匀化。本文对比分析了多组实验仿真结果,证明了算法的有效性与高效性。