本文以测量得到的曲面数据点点云为基础，提出了一种基于包围盒的自动寻找三维散乱数据点之间拓扑结构的方法，采用该方法寻找采样点的邻域结点，并对三角剖分中的典型优化准则—最小内角最大准则提出了改进，按照改进后的优化准则实现了采样点的局部三角划分，并进一步求解得到采样点的法向量，依据法向量及邻域拓扑关系在二次曲面的基础上实现了散乱数据曲面重构中的数据点的自动分类。 本文首先对三维散乱数据点重构曲面的典型算法和现有的曲面网格划分算法进行了分类与比较，针对现有的散乱点曲面重建算法存在的低效率和局限性问题提出了相应的解决方案。 本文提出了一种利用包围盒空间分割方法对散乱数据点点云进行空间分割进而寻求拓扑关系的方法。按采样点的空间位置进行分割，分割过程中仅仅对包含有数据点的包围盒继续再分割直至精度要求。分割过程采用八叉树来记录，并利用包围盒的递归特性实现了点的邻域的快速搜索算法，同时可以有效地排除噪声点，显著减少了密集散乱数据点云几何建模所花费的时间，提高了建模效率。算法采用可以控制大小的邻域作为空间散乱数据点的拓扑关系的几何描述，为网格划分和点的法向量的几何描述提供了必要的动态几何信息。 对三角剖分中的典型优化准则—最小内角最大准则应用于三维空间中时的局限性问题提出了改进方法，充分考虑数据点与近邻点的空间关系，使三角剖分的空间形状变化尽量均匀，保证了三角剖分网格的光顺性要求。 本文采用了与局部曲面片最接近的由点的邻域所构造的三角片来近似求点的法向量的方法，得到了较好的实验结果。对于法向量存在两个相反方向的问题，本文使用了“方向传播”的方法，由邻域中法向量的主流方向确定待求点的法向量方向，实验结果表明可以较好地解决法向量方向不统一的问题，为后续的数据点分类提供可靠依据。 本文采用了可以比较方便地用参数方程表示的二次曲面作为数据点的分类标准，根据点的法向量以及其邻域结点的各种属性，对应于平面、球面、柱面等二次曲面，依据曲面方程的特点，从起始点开始沿邻域深度优先递归寻找符合方程的数据点，实现了散乱数据点的自动分类。 本文按照所提出的算法及标准进行了实验研究，计·算结果与实验结果有较好的一致性，说明本文所提出的方法可以实际应用于曲面重建的数据分割过程中。