随着三维激光扫描技术的迅速发展，三维点云数据在自主导航、逆向工程、工业检测等领域的应用越来越广泛。三维点云数据的分割和分类是三维点云数据处理中两个非常关键的技术。　　鉴于二维图像描述局限，三维图像信息丰富,又考虑到室内场景结构复杂，干扰比较多，噪声较强，对其进行分割是一项极具挑战的工作。为了提高室内场景三维点云数据分割的准确性和鲁棒性，本文在深入研究聚类算法和特征提取理论和方法基础上，提出了两种针对复杂室内场景三维点云分割的算法，在一定程度上提高分割精确度。具体工作包括：　　（1）室内场景点云分割的概述。全面介绍了室内场景点云分割的研究背景和意义、国内外现状；阐述复杂室内场景三维点云分割方法的相关技术，包括传统的点云分割方法、三维特征描述子以及性能评价标准。　　（2）重点研究了聚类集成和特征提取的基本理论和方法，并在此基础上，提出了一种融合多特征的聚类集成的点云分割方法。该方法首先从点云中获得一组表征复杂室内场景不同点云类别的描述子，如彩色图像特征、曲率、法向量、残差量等；然后根据它们之间的差异性，通过对颜色信息、深度信息、法向量信息、曲率信息、残差量等多种不同领域的特性进行单独的AP聚类，建立聚类成员簇间一致性矩阵；最后利用Ncut算法进行图分割获得最终的点云分割结果。实验分析结果表明：与传统的K-mean、FCM点云单聚类算法相比，本文所提出的算法能更好的区分不同点云区域，获得更接近真实人工标注的分割结果。　　（3）提出基于超像素和马尔可夫聚类的三维空间的点云的分割方法。该方法根据人类对颜色和深度信息的区分性，首先在二维空间使用SLIC对RGBD图像进行预分割，得到每一个超像素，然后将超像素映射到三维空间的点云(超体素)，以三维空间的超体素为单位，对每个超体素内进行几何、距离、平滑度等局部描述子的特征提取，从而得到每个超体素邻接之间的相似关系。最终，通过马尔科夫聚类算法对上述的超像素之间的相似矩阵进行聚类。该方法达到符合人类视觉感知效果的分割结果，为进一步对室内场景的物体进行处理提供了支持。　　（4）为了更好地评价上述不同点云分割算法的结果，本文首先介绍了进行对比实验验证时所需要的实验数据来源、数据处理和实验运行的环境，然后在这些准备工作的基础上，分别对第三章提出的算法和第四章提出的算法进行了实验验证和对比分析。通过直观和客观地对比传统分割算法的分割效果，并使用一些评价指标来对实验结果进行评价。实验结果显示本文中所提出的这两种算法比传统的分割算法在分割性能和有效性上有了很大程度的提高。