叶片作为航空发动机的核心部件之一,因其具有数量多、形状复杂、制造成本高,易损坏等特点,已成为航空维修业的重点修复对象。叶片数字化模型逆向重建是叶片自动化焊接修复技术路线中的重要环节,高精度的叶片三维点云数据是叶片逆向重建的前提和基础。然而,由于受测量设备自身缺陷以及测量环境的影响,使得测量得到的叶片大规模点云数据含有噪声,影响着点云数据的精度。另外,庞大的点云数据使点云曲面重建工作耗时长,运算效率低。因此,研究高精度的点云去噪技术和精简技术对航空叶片的焊接修复至关重要。在点云去噪方面,传统各向同性点云去噪算法易导致模型的过光顺和局部特征丢失,去噪后的模型失真;在点云精简方面,传统点云精简算法易导致特征点的过删减,使得精简后的模型产生孔洞和边缘特征缺损。针对上述两种问题,分别对各向异性点云去噪算法和保边缘特征的点云精简算法进行研究。通过对采样点局部几何特征分析,提出一种各向异性扩散滤波的三维散乱点云平滑去噪算法。采用张量投票算法计算采样点的张量矩阵,并求解其特征值和特征向量。利用张量矩阵的特征值设计扩散张量的特征值,保证在不同特征方向的扩散速率能自适应调整。将重构的扩散张量与三维各向异性扩散滤波方程相结合,实现点云模型的各向异性去噪。通过对不同含噪点云模型进行去噪实验,实验结果证明所提点云各向异性去噪算法能够在去除噪声的同时保留模型的特征细节。通过对点云法向和曲率进行估计,提出一种基于法向和曲率双阈值的点云边缘点提取算法,实现对边缘数据点的精准提取。在此基础上提出一种保边缘特征的点云精简算法,通过将数据点分为边缘数据点和非边缘数据点进行精简,保留全部边缘数据点以防止边缘轮廓的丢失。利用超体素聚类算法对非边缘点进行聚类分析,采取聚类中心代替整个聚类簇的原则实现非边缘数据点的精简。将边缘点和精简后的非边缘点合并得到精简后的点云模型。对不同点云模型进行精简实验,实验结果证明所提点云精简算法在实现冗余数据点精简的同时能够保证点云模型的边缘轮廓不缺损。通过利用所提点云去噪算法和点云精简算法对实测的航空发动机叶片点云数据进行实验分析,经去噪和精简后的叶片点云模型能够较好的保留叶缘等高曲率尖锐特征。实验所得航空叶片模型的平均偏差为0.115mm,其结果满足焊接修复的工艺要求。