近年来,随着三维激光扫描仪以及低成本传感器的普及,使得三维点云数据可以更加快速且容易地获得。三维点云数据具有简单、灵活和强大的表示能力,现如今三维点云模型的应用越来越广泛,例如机器人、增强现实、自动驾驶、智能制造、计算机艺术等。然而,由于扫描设备自身精度不够等原因,通过扫描得到的点云数据不可避免地包含大量的噪声点,因此点云去噪成为下游应用的基础和挑战。为此,本文以散乱点云为研究对象,从局部与非局部信息两个角度各提出一种点云去噪算法。论文的主要工作和创新点如下:（一）基于局部信息的曲率加权引导点云去噪算法现有的去噪算法在构建局部邻域时对模型中所有的点都使用同一种策略,使得特征点处的邻域一般由多个平滑区域构成,这也是造成去噪后特征处被平滑的原因之一。为了使得点云模型在去噪的同时能够保留模型的特征,本文提出一种基于局部信息的曲率加权引导点云去噪算法,该算法的创新点主要包括:（1）设计了一种特征点的邻域重构策略。该策略使得特征点处邻域属于唯一的平滑区域。实验结果表明,该方法可以较为鲁棒的从噪声模型中提取出特征点,并有助于模型特征的保留。（2）提出了结合曲率信息的加权引导点云去噪算法。在引导滤波算法的基础上通过对模型平滑区域和特征区域的点赋予不同的权值,进一步达到保留模型特征细节的目的。实验结果表明,该方法不仅可以有效保留模型的特征还对于噪声强度有着一定的鲁棒性。（二）基于非局部信息引导的点云去噪算法现有的大多去噪算法都对于噪声分布等做出一系列假设,这并不足以应对真实世界的噪声模型。为此,本文提出了一种基于非局部信息引导的点云去噪算法。该算法的创新点主要包括:（1）设计了一种三维点云模型的非局部相似块提取方法。利用了点云模型的非局部自相似性,为模型先验的学习提供训练数据。（2）提出了理想模型表面块的高斯混合模型（Gaussian Mixture Model,GMM）聚类学习算法。实现了理想模型先验知识的学习,以引导噪声模型的表面块聚类。（3）提出了一种理想模型先验引导噪声模型混合正交字典学习的方法。这种混合正交字典既保留了通用模型的精细结构信息,又包含噪声模型特有的特征细节。实验结果表明,这种算法对于真实的噪声模型也具有较好的去噪效果。本文从局部信息和非局部信息两个角度各提出了一种基于引导信息的点云去噪算法。实验结果表明,本文算法在去噪同时能够较好地保留模型的特征,对于噪声尺度也具有一定的鲁棒性,具有重要的应用价值和理论价值。