近年来,随着逆向工程和三维扫描技术的发展,三维点云处理技术得到了广泛的关注和应用。在实际应用中,三维点云重建一般是从实物获取三维点云数据来重建模型的。在通过三维扫描仪器扫描或图像匹配重建获取点云数据的过程中,由于环境光线、测量设备精度及物体表面材料、人为误差和立体图像标定误差及匹配重建误差等因素影响,获取的目标点云数据会含有偏离点和误差点,这些偏离点和误差点称为噪声点。这些噪声点云数据给后续点云配准、重建、高精度测量等处理带来了很多麻烦。因此点云去噪在整个点云模型重建过程中是至关重要的。针对噪声点云数据,结合现有去噪算法,对于大尺度离群点噪声不能同时去除由于采样不均造成的稀疏噪声和孤立噪声问题,以及几何特征复杂的点云模型去噪时不能保持点云细节及边缘特征的缺点。本文将噪声点云分为与点云主体不相混合的离群噪声点和与点云主体相关的非离群噪声点进行去噪。首先,根据离群噪声点的分布特点,本文提出了基于噪声点云局部邻域距离分布的统计特征分析的方法来去除采样稀疏的离群噪声,再根据最优邻域半径内密度大小去除离群孤立的噪声点。从而解决了离群噪声点去噪时由于采样不均造成的稀疏噪声及一些小而密集的孤立噪声无法同时去除的问题。其次,对于去除离群噪声点后的点云,在点云主体中仍然含有一些边缘毛刺及浮在点云表面的噪声点,称为非离群噪声点。对于这些噪声点,本文提出了一种抗噪声的鲁棒法线估计算法,用来估计噪声点云的法线及曲率来检测噪声点的尖锐特征及几何复杂较高的特征点。最后,根据不同几何复杂度将噪声点云进行区域划分,使用基于点云曲率改进的自适应双边滤波算法去除非离群噪声点,来保持噪声点云去噪过程中的边缘及细节特征,防止出现边缘及尖锐特征过光顺及点云模型变形的问题。为了验证本文方法的有效性,本论文在几种不同类型的点云数据上进行实验,并与现有的去噪算法进行对比分析。通过实验结果分析,本文算法相比其他算法,能够去除离群点和非离群点不同类型的噪声,同时也能够更好的保持点云边缘及细节等尖锐特征,提高了点云去噪精度。