随着计算机技术的不断发展,机器感知与人类认知也愈发趋于统一。在此背景下,传统的二维数据模型因已无法满足在计算机中对三维世界进行表达的需求,逐渐被三维数据模型所取代。在众多三维数字化模型中,由于点云模型具有易采集、几何特征丰富等特点,使其发展成为三维模型处理中一种极其重要的数据载体。然而,由于点云模型中各样本点的无序分布和缺少潜在的拓扑连接关系,使得点云模型的后续处理工作变得十分复杂,因此对三维点云模型进行网格重建成为解决点云处理问题的关键手段。传统的三维网格重建与特征提取算法往往基于三维模型的几何微分不变量进行计算,导致算法易受噪声、采样密度等因素影响,计算方式复杂,且部分算法存在过分依赖于阈值的选择并对平滑特征和细节特征不敏感等问题。针对当前方法中存在的不足,本文提出了一种基于三维网格重建的点云特征提取方法。本文具体研究内容如下:（1）针对现有三维点云模型表面网格重建方法中存在易受阈值和噪声影响等问题,提出一种半径自适应Alpha Shape（AR-Alpha Shape,Adaptive Radius based-Alpha Shape）算法。该算法首先基于每个点与其k邻域中各点的位置关系计算alpha半径,并利用此半径生成局部外接球,判断该点是否与邻域内各点连接。同时,为了增强AR-Alpha Shape算法对于离群点的鲁棒性,该算法还引入了自适应上界约束,以防止离群点与非离群点连接生成三角面片,影响算法结果的准确性。另外,为了使重建网格的可视化结果更加平滑,该算法基于重建网格的拓扑结构中各点之间的双向连通性,删除了存在单向连通边的三角面片。实验结果表明,AR-Alpha Shape算法对于参数和噪声均不敏感,且在任意大小、形状不规则、不同采样密度以及结构复杂的三维点云模型上均能够取得较好的网格重建效果。（2）针对现有三维模型特征提取方法对平滑特征和细节特征不够敏感,且算法中微分几何不变量的计算易受噪声影响等问题,本文提出了一种基于子图的局部二值模式（SGLBP,Subgraph-based Local Binary Pattern）特征提取算法。该算法首先利用上述三维网格重建算法进行点云模型的拓扑重建和潜在特征点提取;然后,通过重新定义SGLBP的多种等价模式对潜在特征点进行分类,将识别出的非特征点以迭代的方式进行删除直至算法收敛。最终,SGLBP算法删除了所有非特征点,而特征点被成功保留,实现了特征提取。实验结果表明,SGLBP算法适用于在具有不同类型特征的三维模型上进行特征提取,并且该算法在高度非均匀采样的三维模型和具有较多平滑特征和细节特征的三维模型上具有较好的效果。本文所提出的算法已被受CCF推荐B类期刊Computer Graphics Forum接收。