点云数据是通过三维扫描仪对现实世界的真实物体表面采样得到的三维坐标信息,随着三维激光扫描仪的应用,越来越多的点云数据可以获得到,由于其灵活的获取方式、简单的模型数据结构,三维的点云数据成为常用的几何模型的表示方法。其中点云法向量是点云数据最重要的几何属性,准确的法向量估计可广泛应用在曲面重建、点云渲染、点云分割上。然而在扫描仪获取数据的时候,受设备本身的物理限制及被扫描物体会有外界等因素影响,获得的点云数据常伴有噪声、不均匀采样、数据缺失等问题,能够高效、鲁棒且能能够很好的保持尖锐特的点云法向量估计是需要重要解决的。许多法向估计的算法在特征点进行法向估计构造的邻域常包含两个及以上的光滑曲面所构成,位于不同曲面的点参与当前点的法向估计会有较大的误差,本文提出了一种基于邻域分割的法向估计算法,在特征点的周围构造各向异性的邻域,且该邻域的中心是偏离当前点,这样构造的邻域不仅可以真实反应当前点的邻域信息,而且能够很好的保持尖锐特征,具体设计了两种具体的邻域分割技术:边点邻域分割和角点邻域分割。提出了改进的点对一致性投票的方法,在之前的投票函数上增加了新的交叉熵权重,提出的新的投票函数平衡了点到拟合平面的误差、点对之间初始法向的一致性、点对之间拟合误差的一致性,估计出的法向量较之前的方法有所提高,能够很好的保持尖锐特征、对噪声有着较强的鲁棒性且能够克服各向异性采样。