三维点云数据处理技术是三维扫描测量系统、逆向工程软件、计算机图形学、计算机视觉以及机器人导航等领域中重要的核心部分,在诸多领域中有着广泛的应用。随着科学技术的进步发展,获取得到的点云数据是海量式的、单片式的以及离散式的,必须经过一连续的技术处理之后,才能够用于实际的应用场景中。三维点云数据处理技术成为解决当前在相关应用领域发展问题的瓶颈,开展对该技术的理论和方法研究一直是科研学者探讨的热点话题。课题从点云精简、点云配准和融合以及点云曲面重建技术方面展开对点云数据处理技术的研究,具体相关内容如下:1、针对传统点云精简边界点丢失严重和精度偏低的问题,提出一种基于多角度阈值保留边界点的点云精简算法。用多角度法检测边界点并进行保留,对非边界区域的点云用距离高斯加权法进行判别,删除非重要点,并更新法向量以减少精简误差。实验表明,该算法能够很好保留边界的特征点和非边界区域的特征点。2、针对传统的点云配准精度低、速度慢和点云融合误差大问题,提出一种基于矩阵指数的点云配准算法和改进移动最小二乘的点云融合算法。对点云配准,将配准目标函数修改为点到面模型,变换矩阵用矩阵指数的变换来表示,线性求解出变换矩阵;对点云融合,用轴向包围法和改进的移动最小二乘法来完成,实验表明,点云配准的精度高、速度快,点云融合光顺性好。3、针对泊松曲面重建精度低以及会生成冗余的伪曲面问题,提出一种基于点云尺度信息的隐式曲面重建算法。采用每一点云的尺度距离来构建基函数,分段多项式构建权重函数,通过在自适应性八叉树体素上计算隐函数,用改进的算法提取等值面,对重建曲面进行退化三角形清除。实验表明,重建的曲面精度高,特别是细节复杂的点云模型。4、对本文提出的算法,用实验室设备采集的点云数据做了综合性的实验,验证所提出算法的有效性和正确性。