随着计算资源与3D扫描硬件的普及,点云数据处理的速度越来越快和点云数据获取越来越容易,使得点云的应用日益广泛。点云在逆向工程、文物修复、建筑等许多领域得到了广泛的应用,而点云特征提取则是点云数据处理过程中的重要一步。随着生活品质的提高和技术的进步,各领域对点云特征提取的准确性要求越来越高,同时对速度也有更高的要求。由于应用领域的广泛性,所以点云数据就变得非常复杂。由于环境和设备的原因,获取的点云数据往往存在有噪声和非均匀性。除了外部因素以外,点云数据在不同领域中的形状也有着巨大的差别,比如有的行业产品以尖锐特征为主,有的则以平滑特征为主。点云特征提取是去噪、匹配、分割和识别等各种点云数据处理过程中的重要一步。点云特征提取质量对点云的后续处理的结果影响非常大。因此高效准确提取特征是目前点云特征提取的研究热点和难点。在过去许多学者对点云特征提取进行了大量的研究,但是目前仍没有一种通用的方法能够适用于所有情形下的点云特征提取。因此,本文通过表面变化和密度相结合的方法对点云特征点提取,同时采用八叉树划分的方法来提高提取效率。本文主要包括以下工作内容:（1）针对之前在表面变化不明显部分特征提取不够完整的问题,提出了一种表面变化和密度相结合的点云特征点提取方法。使用拉普拉斯收缩量来衡量表面变化量时,该方法具有较好的抗噪能力,且对表面变化较大的尖锐特征提取效果较好,但是对表面变化不明显部分的特征提取效果不好,特征提取不够完整。在一些点云模型中,在特征的部分具有比较密集的点。根据以上特点,在表面变化的方法中考虑了密度的影响,通过分配不同权重的方式来确定两个量的贡献值。根据不同的模型观察收缩量或者是密度的大小对特征提取的影响程度,来调节权重,最后得到一个总的评判标准。实验结果表明,通过两种方法的结合,在特征区域具有较密集点的模型能够特征提取结果更加完整。（2）针对点云特征提取的效率问题,提出了一种基于八叉树划分的提取方法。一般的点云模型数据较大,特征提取时通常是耗时的。尤其是计算多个指标时,计算效率更加不高。为了提高效率,从而采用了八叉树划分的方式来降低计算规模。具体来说,第一步进行粗提取,排除明显不是特征区域的点,获取数量相对较少的点进行精提取。首先采用八叉树思想,对模型进行层层细分,直到晶格边长达到设定值。然后计算每个距离晶格中心最近点的特征指标,如果指标大于阈值,则将以距离该晶格中心最近点为中心,搜索半径为晶体格边长的二点五倍进行搜索,然后将半径邻域内的所有点作为候选点进行第二次判断。这样的目的是将有可能是特征点的点都加入到粗提取点集,保证特征提取结果为连通状态从而防止漏判,同时保证在精提取阶段有足够的邻域点。第二步为精提取阶段,将第一步粗提取提取到的所有点取出进行特征提取指标计算,从而实现最终特征点的提取。实验结果表明,该方法对于简单模型能够明显提高效率。