随着计算机技术的更新,以逆向工程为代表的产品设计方法得以快速发展。为解决由三维扫描设备生成的大量点云集对计算机资源高度依赖及后处理不便的问题,本文提出一种基于K邻域多参数融合精简的点云精简方法,并采用典型点云模型验证。具体研究内容为:（1）多参数融合特征点提取。首先,对得到的点云集构建空间索引关系,通过构建融合采样点P的曲率、法向量平均夹角和到其邻域重心距离的多参数特征辨别方法,提取表示物体特征的点。其中,针对点云集中采样点P的法向量方向二义性造成计算法向量角度差异的问题,通过角度转换,得到与角度选取无关的距离变量,即采用采样点P与其邻域内点的单位法向量延长线之间的最大距离与点间距之差的加权平均值。对采样点P计算多参数辨别值,与给定阈值相比较,从而识别特征点。（2）自适应八叉树k-means点云聚类精简。对去除特征点后的点云集合理划分聚类中心,本文采用融合八叉树的k-means聚类方法,即采用八叉树得到均匀聚类中心,通过K-means算法迭代,得到若干个表示物体非特征点的弱特征精简结果。（3）实验验证。对本文提出的点云精简算法,同其他点云精简算法,采用典型点云模型进行验证。在特征点提取方面,本文所提多参数特征点辨别方法能够在保留较少特征点的基础上,全面的表达物体特征信息。对非特征点聚类,实验结果表明,本文所提方法能够较好的解决非特征区域内空洞问题,为点云后续处理提供数据全面的精简数据。本文以多参数特征辨别结合改进聚类方法,有效实现点云精简,为点云后处理提供较为全面的点云数据。同时,为逆向工程在大型场景的应用提供一定的借鉴。