增材制造使用平面加工-逐层堆积的方式降低了复杂结构零件的制造难度和周期。其加工数据的准备通常包括零件三维几何模型编辑优化、模型分层生成平面加工轮廓曲线、加工轨迹规划等步骤,可归结为点、线、面等不同维度几何模型的相互构造过程。随着增材制造加工尺寸的日益增长和层厚的不断降低,这些相互构造过程的输入输出数据量呈平方或立方规模增长,需要更高效的数据处理算法。针对各类增材制造方法的共性需求,本文以三维点云、分层轮廓曲线、三角网格（面）作为不同维度下的典型几何模型,研究三者的相互构造问题,以改善现有算法的运行效率、几何精度、拓扑正确性和适用性。最后,再与激光烧结-失效复合（Laser Sintering and Invalidating Compound,LSIC）这种特定的增材制造方法相结合,构造出可直接驱动LSIC设备的大小光斑加工轨迹。具体研究内容及结果如下:（1）由面到线:为了实现三角网格的高效分层,使用边的活动链表降低分层平面与网格求交点的次数,并依据边的邻接关系将交点连接成多边形轮廓曲线。对比实验表明,该算法用于百万量级三角网格的数千层分层时具有显著的效率优势。为了降低分层导致的阶梯误差,提出一种用于分层方向（零件加工方向）优化的WNCN（Workpiece Normal Clustering Network,WNCN）聚类算法。它以零件法向量作为输入,由粗到精地生成一个位于单位球面上的特征三角网格,其顶点代表特征方向,作为最优方向的备选解,边表示特征方向的邻接关系,从而将分层方向优化问题简化为特征方向的相互比较及其线性插值。WNCN可在阶梯误差较小的方向附近生成更密集的特征方向,对比实验表明其对阶梯误差最小方向的逼近精度优于同类算法。（2）由点到线:为了实现三维点云的高效分层,基于自组织神经网络提出一种CSR（Competitive Segments Representation）增量式分层方法,将分层方向解释为时间轴,分层过程解释为对时变轮廓曲线的追踪。当层厚较小时,相邻层的加工轮廓曲线通常仅发生微小变形,CSR利用这种形状相似性将第i层上得到的轮廓曲线作为i+1层的初始估计,根据点云分布做微小移动和必要的裁剪后收敛到i+1层上的轮廓曲线,然后再将其作为i+2层的初始估计,以此类推连续构造出所有层。与现有算法的对比实验表明,CSR可有效利用形状相似性改善分层效率、输出轮廓曲线的几何精度和拓扑正确性,且这一比较优势随着层厚的降低而显著增强。（3）由点到面:为了由点云重建或修复零件的三角网格模型,在WNCN和CSR基础上提出一种GSOC（Growing Self Organizing Complex）网络结构,迭代执行三角片细分增长、边删除/交换、顶点移动/合并等操作,据此由输入点云中学习到一个分辨率由粗到精逐渐增长的三角网格。GSOC使用点云到三角片、边、顶点的距离作为误差函数,误差较大的三角片优先细分增长,在高曲率部位生成更精细的网格。细分增长受点云密度限制,使得网格不同区域协同增长到不引起过拟合的最多顶点数量后自动停止。误差函数中还加入了一个与零件局部特征尺寸（薄壁结构的壁厚）相关的正则项,与边的惰性删除策略配合以防止拓扑错误。GSOC使用各向异性弹性系数控制顶点移动,在精确逼近尖锐边沿的同时还能维持三角网格光顺等边。对比实验表明GSOC较同类算法显著改善了输出三角网格的几何精度和拓扑正确性,适用于不同密度的输入点云和复杂目标形状重建。（4）由分层加工轮廓曲线到LSIC加工轨迹:针对LSIC的特定加工原理,提出了其大小光斑加工轨迹的生成和优化方法,可在数分钟内完成上万层数据处理。综合全文研究内容,最终形成了LSIC加工轨迹生成的标准流程和配套的数据处理软件,并通过典型零件进行了验证。