随着计算机图形学的飞速发展，三维计算机图形学已经渗透到计算机应用的方方面面。人们对计算机造型与绘制技术的要求不断提高，计算机模拟场景的规模越来越大，景物的细节也越来越丰富。特别随着三维数码扫描仪的大规模普及与应用，扫描所得到的网格点的数目达到了十亿的数量级，扫描获取的几何体的细节以及外形的日渐丰富，对有效生成、处理超大规模几何模型的新方法的需求也日渐增长。采用传统的基于三角面片的绘制方法，现有的计算机硬件难以达到实时绘制的要求，绘制环节成为了瓶颈。近年来，一种新的绘制三维模型方法—“基于点的绘制”开始逐渐被人们所重视，随着对其研究的不断发展，逐渐成为计算机图形学中研究热点。 本文首先介绍了基于点的获取、处理以及绘制的全流程，基于点表示曲面的性质和基于点表示曲面的方法，以及目前常见的几种基于点的造型技术。本文主要工作： (1)基于Kohonen神经网络能够保持拓扑结构的自组织映射的特性，对散乱数据点进行曲面重构，建立了基于自组织特征映射神经网络的矩形网格重构模型。所建模型利用神经元对曲面散乱数据点的学习和训练来模拟曲面上点与点之间的内在关系，节点连接权向量集作为对散乱数据点集的近似化并重构曲面样本点的内在拓扑关系。通过该方法得到的曲面可以对原始的散乱数据点集逼近，可以作为后继曲面重构的初始曲面，而且还可以对密集散乱数据点自组织压缩，并构建保持原数据点集的拓扑形状，这样降低原始数据点的数量，扩大了神经网络曲面重构方法的应用领域。 (2)主要根据径向基函数神经网络(RBFNN)具有很强的非线性逼近能力，以及强大的抗噪、修复能力等优点，提出将径向基函数神经网络应用于带有噪声数据散乱数据点自由曲面的重构方法，并对该方法理论上的可行性和实践上的实用性进行了讨论和验证。结果表明：该模型不仅能够有效地逼近不完善的、带有噪声的曲面，而且学习速度很快，提高了对破损、不完全曲面重建的效率和精度，得到的曲面光顺性好。 本文最后部分主要介绍了基于点绘制的技术，以及基于点的绘制方法、基于点绘制技术存在问题和基于点的绘制技术的进一步研究方向。