我们把某个坐标系下包含大量点的数据集称为点云。点云包含了丰富的信息,一般来说,包括三维坐标值,颜色,法向等数据。随着3D扫描技术的进步,我们已经可以通过3D扫描仪获取点云数据,从而实现将现实世界点云化的目标。与此同时,高质量的点云也是许多研究与应用的重要输入,如三维物体重建,基于点的渲染与有限元分析等。然而,目前通过3D扫描仪获取的点云仍旧存在一些缺陷:点云含有噪声,物体表面的光学性质与传感器性能都是潜在的影响因素;点云在不同方向上分布不均匀;扫描过程中如果碰到不可见或者反光区域,会导致点云缺失部分数据,从而产生空洞现象等。本文针对上述种种挑战开展相关研究。主要工作为提出一种新的算法用于在点云上进行高质量的重采样任务,即使用较为稀疏的重采样点集去表达较为密集的原始点云的一些性质（如隐藏曲面）,同时重采样点集的分布可以满足用户预先指定的目标分布,并具备一定的蓝噪声性质。在最优传输理论的基础之上,本文能够将传统的点云重采样问题转化为一个最优化问题,并在点云上构建离散网格,使得针对网格的受限制的Power剖分方法能够迁移至点云上。随后利用交叉优化框架对该优化问题进行求解,对每一个重采样点执行精确的容积约束。最后,本文证明了每个重采样点的受限制的Power胞腔容积与该点密度的联系,从而可以针对容积相关的指标与其它经典算法进行重采样结果的横向比较。大量实验结果表明,本文算法输出的重采样点集可以实现精确自适应控制密度的目标,并且具备一定的蓝噪声性质。