随着三维激光扫描技术的快速发展和广泛应用,基于三维激光扫描技术的点云数据处理已经成为研究的热点和难点。点云数据处理一般包括:点云拼接、点云压缩、点云分割、点云滤波和点云平面拟合等环节,其中点云滤波和平面拟合是研究的关键。本文基于Leica Scan Station C10三维激光扫描仪采集的点云数据展开研究,工作内容涉及点云数据采集和预处理的各个环节,主要研究了点云滤波和平面拟合算法。以下是本文的主要研究内容:(1)研究了当前点云滤波方法中几种常用算法存在的不足,重点研究了迭代最小二乘滤波算法,针对该算法无法有效剔除低噪声和权重判定函数不合理的缺点,本文做了如下改进:首先采用基于点邻域的方法剔除低噪声点,然后对点云数据进行非均匀格网分块,并根据分块内噪声情况设定不同偏移值,然后基于改进的定权函数进行趋势面拟合,最后分离噪声点和路面点。通过与传统均值滤波、中值滤波、最小二乘滤波、拉普拉斯算法还有原算法进行对比分析,实验表明,本文算法具有更好的滤波效果。(2)深入分析了当前最常用并且效果比较好的两种平面拟合算法——整体最小二乘法(TLS)和随机采样一致(RANSAC)算法,针对二者优缺点,提出了一种新的拟合方法。新方法首先利用RANSAC算法进行随机采样拟合,不断迭代找到最佳估计模型,此过程能够有效剔除点云数据中的异常值,之后运用整体最小二乘法对该模型进行拟合,最终得到最接近理想模型的拟合平面。实验证明,新方法能够克服TLS对误差和噪声敏感、RANSAC具有概率不确定性的缺点,得到最接近理想模型的参数估计。通过与原单一算法进行效果对比量分析,实验表明,新方法具有更好的拟合效果。