三维激光扫描技术现已广泛的应用于三维测绘,在进行点云数据采集时,由于仪器、环境、测量人员等因素的影响,获取的点云数据会有许多噪声点,这些噪声数据的存在会对点云模型重建造成极大的影响。因此,为了获得高精度的点云模型,必须对点云数据进行滤波处理,剔除点云中的噪声点。点云滤波的目的是尽可能的去除偏离物体表面的噪声点,保留物体表面的点云,同时还要保持扫描模型表面的尖锐特征和几何边缘的特征信息。本文对散乱点云数据预处理中滤波过程进行了深入的研究,主要内容有:1、在介绍常见点云数据的基础上,针对散乱点云没有明显的拓扑关系,提出用八叉树法建立散乱点云间的拓扑关系,并引入K值邻域搜索,针对采用直接搜索会出现搜索数据量大、搜索不完整、搜索效率低下的问题,提出分层搜索的方法,由内向外逐层搜索,提高搜索效率。最后用邻域平均值法对搜索到的K个邻近点求取平均值并与给定阈值比较进行滤波去噪。实验表明,邻域平均值法滤波取得了很好的效果。2、在介绍模糊数学和模糊C均值(Fuzzy C-Means,FCM)聚类的基础上,针对FCM聚类用于点云去噪对小噪声点不敏感的特点,引入协方差因子,增加细小噪声的权重;针对聚类中心对滤波效果影响较大的问题,提出用马氏距离代替FCM聚类中的欧氏距离,推导出基于马氏距离的模糊C均值(FCM-M)聚类算法的公式。实验表明,FCM-M算法的聚类中心更接近模型表面,比经典的FCM算法滤波效果更好,对点云模型也有很好的光滑效果。3、在定性分析实验滤波效果的基础上,针对定性分析不直观的问题,提出以方法噪声从定量上分析滤波算法效果。实验表明,FCM-M算法具有很好的去噪效果,并对点云数据具有很好的光滑效果,保留模型的特征信息。