三维扫描技术被广泛使用在逆向工程、文物保护、工业生产、刑事侦查、三维传真等领域。点云数据就是指由扫描得到的以点的形式记录的数据,每一个点对应一个三维坐标。三维扫描过程中仪器本身的误差或是扫描过程中外界因素会引入异常点至点云数据中,若不及时去除异常点会造成较大的实验误差。本文针对工件三维扫描获得的点云预处理方法中去除异常点这一问题进行研究。三维扫描数据中的异常点分为离散异常点和非离散异常点两类。离散异常点的检测相对比较容易,但是非离散异常点的判定需要更多判断条件,计算量和算法复杂度随之增加。目前的处理算法普遍存在处理流程复杂、处理时间较长、适用性较差等缺点。本文提出一种两阶段异常点处理方法。第一阶段是面向于离散异常点,根据数据点分布的稀疏程度判定,通过聚类将数据簇分为正常簇集合、疑似簇集合、异常簇集合。第二阶段是面向于非离散异常点,判断的标准是与拟合曲面的贴近程度,利用正常簇集合中的点对疑似簇集合中各点进行邻近点的投票判断,根据疑似点到拟合曲面的距离并遵从少数服从多数的原则决定疑似点是否为真正的异常点,最终去掉所有异常点并且保留所有的正常点,得到一个合理的三维点云数据模型。为了实验和查看去噪算法各阶段处理结果,本文利用Eclipse和OPENGL开发了一个数据去噪处理程序,包括点云获取、处理、显示、存储四个模块,实现数据的导入、数据处理、图像展示和数据导出功能。最后对几组真实的工件扫描数据集进行处理,验证论文所提出的方法既可以有效去除工件模型三维点云数据中的异常点,同时能良好保持模型表面的特征信息,加快处理效率。