点作为基本的几何要素，对任意形状的表达显示出了独特的优势；加之三维激光扫描仪的普及，使得人们获取空间三维点数据更为便利。为此，针对点云的研究又被推向了一个高峰期，并已取得大量的研究成果，但还存在一些问题未能解决，主要原因有：(1)由于点云场景数据具有大范围、大尺度和海量性的特性，同时包含有丰富的各种各样的物体，导致对特征的提取比较困难；(2)在采集点云场景数据的过程中，由于无法回避的遮挡造成的数据不完整性，使得场景的自动重建比较困难；(3)由于点云数据易受噪声的影响，且存在密度分布不均匀、点间缺少拓扑关系等缺点，使得从点云场景中自动识别不同的对象比较困难；(4)目前的研究主要集中在规则且数据完整的点云模型之上，针对实测点云数据的方法相对比较匮乏，这严重影响了点云在实际中的应用。　　针对上述问题，本文以地面激光扫描仪直接获得的点云数据作为处理对象，重点对点云场景基本形状的提取、三维场景重建以及对象识别等内容进行进一步的探索和研究，主要工作及创新点如下：　　(1)针对传统的三维模型形状增强方法会大面积改变原始模型外观的缺陷，本文提出了一种基于显著性的形状增强方法，以便凸显特征并为特征的有效提取提供支撑。该方法首先根据三维模型的几何特征，提出了基于距离的网格显著性计算方法；然后，针对三维模型中显著性强的区域，通过增强颜色的高频信息，使三维模型的细节以及整体形状特征得到有效地凸显。同时，高频信息的增强幅度由三维模型的局部曲面特征来确定，模型中不同的曲面增强幅度不同。实验表明，该方法可以有效地凸显三维模型的形状特征，为形状的有效提取提供了良好的支撑。　　(2)针对实测点云场景中形状提取不准确的难题，本文提出了一种基于高斯球的基本形状提取方法，使得对形状点集的聚集和分离更为有效。首先，根据点云数据的法向量在高斯球上的分布，利用均值偏移聚类算法对高斯球上的点进行粗分类；然后，根据重叠曲面间的距离，利用基于距离的聚类方法，对法向量相同的数据集进行细分割；其次，利用高斯球的性质以及曲率等微分几何信息对分割后的点云簇进行形状识别。最后，依据形状间的相似性对邻近的形状簇进行合并，以保证基本形状提取的准确性。实验结果表明，该方法可以去除非基本形状点的影响，有效地提取点云场景中的基本形状，为场景的三维重建以及场景中对象的识别奠定了良好的基础。　　(3)针对目前点云场景重建方法自动化程度低的问题，本文提出了一种基于形状特征分类以及形状间拓扑关系的点云场景重建方法，提高了点云场景重建的自动化程度。首先，基于每点的形状信息、法向量在高斯球上的最大变化度、法向量的分布规律、法向量的方向以及与最低点的高度差五个微分几何特征，利用支持向量机将点云场景数据分为地面点，地面上的平面点以及地面上的非平面点；然后，基于“分而治之”的思想，利用(2)中提出的粗分割和细分割的方法，分别对地面上的平面点和非平面点进行分割。基于分割结果，去除细碎、低矮的点云簇；接着，分析场景中基本形状间的拓扑关系，对场景中形状间的拓扑关系进行描述。最后，基于点云簇的形状信息以及形状间的拓扑关系，对于不同类型的点云簇采用不同的基本形状进行表示，最终完成场景的重建。实验表明，对于缺失的点云场景数据，该方法能较好地完成场景重建。　　(4)针对实测复杂点云场景数据中物体识别困难的问题，本文提出一种基于基本形状以及形状间拓扑关系的场景物体识别方法，提高了场景中三维物体识别的有效性。首先，利用基于高斯球的基本形状提取方法，对点云场景进行分割并且提取场景中的基本形状。然后，将基本形状由结点表示，形状间的连接关系由边表示，通过定义结点属性、边属性以及不同形状之间的连接类型，构造场景的拓扑结构图。接着，选取一个符合条件的基本形状作为种子点，根据连通性选择与其相连并且符合一定条件的基本形状，两者进行组合，并将新组合的基本形状作为种子点，再次根据连通性找出符合条件的基本形状，依次迭代组合，直到找不出符合条件的基本形状为止。最后，分析组合形状间的连接类型，通过与目标对象库比对组合形状间的连接编码完成对象的识别。实验结果表明，在包含有丰富对象的点云场景中，该方法可以快速地识别出一些常见的目标对象。