随着三维数据获取技术的不断发展,使得人们可以快速有效的获取现实世界中物体的高精度表面模型。这极大地促进了三维点云模型在模式识别、三维重建、模型分割等领域中的广泛应用。在点云数据处理中,特征提取是表面重建等后续的工作的前提与基础,在很多领域都有着重要的实用价值。因此,特征提取在点云处理的领域中逐渐成为研究的热点。本文主要以特征线的提取作为重点进行研究。对于三维物体的点云模型,提取该模型的特征曲线,就是对该点云模型的数据点进行计算,并且分析,识别出模型的特征点,再把特征点连接形成光滑的特征曲线的过程。本文从特征点的提取、特征线的拟合以及特征线在配准方面的应用三个方面进行研究,主要研究内容有以下几点:(1)针对散乱点云的特征点提取算法,传统的方法主要采用的是利用曲率提取特征点和利用法向量提取特征点两种,这两类方法都存在算法时间复杂度高、抗噪性较差、实现效率较低等缺点。因此,提出了一种基于协方差矩阵的多尺度特征点提取算法。通过对模型中点的局部邻域进行协方差分析,计算出该点的可能性度量,再根据设定的阈值条件标识出特征点。然后根据不同的尺度对其进行区域增长与聚类,并对其进行融合,以获取模型的特征点。采用两个尺度特征融合的方式,有利于弥补单尺度聚类特征提取不完整的缺点,可以更好地描述模型特征。(2)针对现有特征线提取算法对模型细微特征不敏感、时间代价高、抗噪性较差的缺点,提出一种基于协方差矩阵和移动最小二乘的特征曲线拟合算法。将之前提取到的特征点按空间位置分布聚成多个带状聚类,在各个聚类内部根据主方向提取出关键特征点并确定出特征线的方向,通过移动最小二乘法拟合出该关键点附近的局部曲面,然后将关键特征点投影到局部曲面上,不断连接形成光滑的特征线。实验结果表明,与现有特征线提取算法相比,该方法运行效率高、抗噪性好,能够得到光滑的特征线。(3)将利用本文算法提取到的特征线成功应用于三维模型物体的配准中。通过计算曲线的微分信息,对三维模型物体进行匹配。通过实验证明,本文所提出的算法能够有效的提取出三维模型特征,能够于配准工作中可以得到良好的应用。