随着三维点云数据采集技术日趋成熟,利用先进测量设备能够实现在较短时间内快速采集物体表面海量高精度点云数据,而且由于其成本低、存储方便等原因使点云模型广泛应用于逆向工程、地形测绘、虚拟场景构建和医疗诊断等领域。完善的点云模型是下游应用的基础,但在实际点云数据采集过程中,由于操作技术、实物本身和测量环境等多种因素影响,导致采集的点云数据不完整,在点云模型上形成各类孔洞。点云模型孔洞缺陷的存在,不仅影响模型的显示效果,还对后续点云数据处理以及分析操作等产生较大影响,因此有必要对点云模型孔洞进行修补,进而保证点云数据完整性,为下游模型重构、快速成型和仿真分析等工作奠定基础。经过大量文献调研,本文在分析点云模型孔洞形成原因和现有孔洞修补方法的基础上对三维散乱点云模型孔洞修补技术分别从以下三个方面进行重点研究:(1)智能修补:对点云模型孔洞进行分类,分别将BP神经网络、RBF神经网络、ELM神经网络和逆向软件的孔洞修补方法应用于不同模型的不同类型人为孔洞,通过比较各种孔洞修补方法得到的修补点云偏差和程序运行时间总结出针对不同类型孔洞的修补策略,为其他点云模型自然孔洞智能修补提供参考。(2)并行修补:对于存在孔洞数量较多的点云模型进行修复耗时较多的问题,在现有散乱点云模型孔洞修补方法的基础上,将基于多核CPU的并行计算技术应用于点云模型孔洞修补过程中实现点云模型多孔洞并行修补,在保证孔洞修补精度的前提下,减少点云模型孔洞修补时间,提高孔洞修补效率。(3)自动修补:针对散乱点云模型孔洞修补过程中多个环节需通过人机交互完成而步骤繁琐且耗时较多的问题,通过计算机编程将孔洞识别、孔洞区域插值和孔洞修补相结合实现从残缺点云模型直接到完整点云模型的孔洞自动修补,很大程度上减少了人机交互工作量,提高了点云模型修复自动化程度,使点云模型孔洞修补更加方便、高效。此外,由于采用等步长生长的孔洞区域插值点选取方法,得到的插值点相比传统方法选取的插值点密度更加均匀,与孔洞周围点云密度的匹配性较好,在一定程度上也有助于提高点云模型孔洞修补质量。为了验证上述点云模型孔洞修补方法的实用性,采用多个点云模型对其进行验证,实验结果表明:在点云模型孔洞修补过程中,上述孔洞修补方法在某些方面优于传统孔洞修补方法。同时,总结了本文的创新点以及尚存在的不足之处,并展望了未来点云模型孔洞修补技术的发展趋势,为点云模型孔洞修补技术进一步完善提供了有益参考。