兵马俑是我国优秀历史文化的重要载体。随着光学感知和计算能力的提升,基于三维扫描的数字化建模广泛应用于兵马俑的保护和展示中。三维扫描构建的兵马俑稠密点云冗余数据多,数据量大,降低了处理、传输和展示的效率,现有点云简化方法往往强调执行效率而忽视了点云特征的保持。本文针对兵马俑点云在应用和展示中对特征保持的要求,提出了一种基于深度学习的三维点云简化方法,通过二维图像特征线提取三维点云的特征点,对非特征点进行均匀化采样,设计并开发了原型系统,在相同简化率上提升了兵马俑的特征保持效果。主要研究工作包括:（1）提出了一种基于深度神经网络2D转3D特征点的提取方法。针对点云简化中易损失关键信息点和繁琐计算开销的问题,采用了一种基于卷积神经网络的VGG16模型,获得图像中的特征线,根据本文提出的二维图像特征线与三维空间特征点的映射关系,提取三维点云的特征点。有效地降低了计算的复杂程度,获得了点云中的特征点。（2）提出了一种自适应的非特征点简化方法。针对简化模型易丢失几何外形和存在空白区域的问题,采取了基于最远点采样与均匀采样的方法,当简化率较高时,采取最远点采样,当简化率较低时,采取均匀采样。实验证明本方法不仅避免了大规模的孔洞,而且保持了应有的几何外形。（3）设计了一套基于特征线的点云简化原型系统。针对兵马俑点云存储和展示需求,实现了点云数据读取、特征点提取和点云简化等功能。实验结果表明,简化系统功能设计合理,能够有效地实现三维点云的特征线提取和简化要求,在降低兵马俑点云数据量的同时较好地保证表面几何特征,提升了点云存储、传输和展示效率。