随着信息技术推动全球由传统工业进入信息社会,农业也迈入数字化、智能化的新时代。研究基于三维点云技术的植物形状表达与表型分析,对促进农业的高产量、高质量生产具有至关重要的意义。然而,对植物幼苗进行三维重建,常存在户外环境光线不稳定、叶片间的遮挡、摄像头视野限制、扫描精度过低等因素导致植物幼苗点云出现噪声、稀疏、缺失的情况,影响了植物表型分析的准确度。因此,研究植株点云数据的修补算法,能辅助植物三维形态的完整存储与无损分析,对植物表型的研究具有重要意义。本文以植物幼苗点云为研究对象,围绕基于深度学习的点云修补算法展开研究,重点研究点云去噪和点云补全两大任务。由于植物点云的形状特性较为独特,现有的点云处理算法不能很好地捕捉植物不同器官的特征,以致于难以实现植物点云的修补。为此,本文重点对注意力机制和点云特征提取网络进行了深入的研究,针对植物点云特性设计了去噪网络和补全网络。本文主要研究工作及贡献如下:（1）设计并搭建了针对植株幼苗的植物多角度图像采集平台。使用低成本的设备完成了植物三维点云数据的采集,通过基于多视图的三维重建和一系列点云预处理获得干净的植物点云数据集。通过实验验证,确定了该系统的最佳采集图像数量与摄像头安装方案,以降低点云重建的时间成本。（2）提出了基于点云注意力特征提取（PAFM）的植株点云去噪网络。其中,使用了点云注意力特征提取模块（Point cloud attention feature extraction module,PAFM）,该模块由点云通道注意力模块和点云空间注意力模块组成,加强模型对点云局部细节特征的学习能力;融合了多尺度特征向量,使用拼接的方式聚合了不同特征维度下的特征表示向量,防止浅层特征的丢失,以增强对全局形状与局部几何细节的表征能力,提高了预测点云偏移量的准确度;最后在植物数据集上进行实验,实验结果表明,该网络能有效地去除植物附近的噪声点,同时保持植物的几何形状特征。（3）提出了基于多尺度几何感知Transformer（MGA-PT）的植物点云补全网络。其中,使用了降采样特征提取模块,解决输入数据尺寸过大和特征单一的问题;提出了多尺度几何感知Transformer（Multi-Scale Geometry-Aware Point Transformer,MGA-PT）,在特征提取和点云生成的过程中融合几何信息,解决原始Transformer缺乏归纳偏好的问题,加强特征提取能力;提出了双路稠密点云生成模块,分别利用输入点云和预测的缺失点云不同的特征进行独立的稠密生成,减少输入点云特征的丢失,保证了植物不同器官的实际分布差异。最后在植物数据集上验证该网络的有效性,实验结果表明,该网络能有效预测植物缺失部分的点云,且生成的稠密点云能有效保持输入点云的形状细节。