三维激光扫描技术现已广泛应用于逆向工程、精密制造等领域。在点云数据采集的过程中由于受到外界环境、人为操作、设备精度和物体材质等的影响,获取的点云数据会有许多噪声点,而这些噪声数据的存在会对点云模型重建造成极大的影响。因此,为了获得精度符合要求的点云模型,必须对点云数据进行滤波处理,剔除点云中的噪声点。本文对散乱点云数据预处理中的滤波过程提出两种方法,具体研究内容如下:首先,根据噪声数据的分布特点,将不同分布形式的点云数据局部邻域关系与不同的消噪算法相结合。远离点云模型主体的孤立噪声点分布稀疏,通过分析点云主体邻域点平均距离关系,计算得出合理阈值,使用自适应半径滤波方法针对孤立噪声点加以消除;在此基础上,对于临近点云模型主体的噪声,以点云的局部密度为依据,确定不是噪声数据的局部中心点。最后以数据点的相对近邻关系构建判别方法,以互邻域度将点云数据划分为核心集与备选集,使用离群因子计算的方法进一步处理噪声数据。其次,提出基于初始中心优化的马氏距离模糊C聚类理论对点云消噪。对于随机选取初始聚类中心的方式影响聚类分析效果的情况提出初始化聚类中心优化方法;针对传统模糊C均值聚类（Fuzzy C-Means,FCM）仅对正圆形结构有明显聚类效果的特点,提出利用基于马氏距离的模糊C均值聚类算法,使FCM方法可以应用于点云结构不规则的情况中;在此基础上根据所求的数据点隶属度数,对点云数据进行不懂程度的位移,实现光顺、去噪的效果。最后,在实验室搭建点云数据测量实验系统,应用本文提出的三维点云数据消噪算法对实验室测量得到的点云数据实现消噪。通过处理树木点云和实验室模拟的含有粉尘的复杂环境下取得的点云数据,验证本文提出点云消噪算法的准确性。