基于点云的曲面建模技术在智慧城市、虚拟现实和逆向工程等领域具有广泛的应用,但建模过程仍存在很多困难,表现在点云数据中存在大量的噪声,噪声数据会影响点云局部特征的计算结果;海量的点云数据会影响曲面重建的效率;点云之间缺乏拓扑信息和明显的边界特征,而且物体表面曲率变化大,无法通过提取特征线的方法构建三维模型。本文以复杂曲面物体的点云数据为研究对象,研究其建模过程中的关键技术。针对原始点云数据中存在的大尺度噪声,研究基于统计分析的去噪方法。并针对均匀网格算法在简化点云时造成主体点云细节丢失的局限性,提出一种基于曲率特征约束的点云精简法。采用局部曲面拟合法计算点云的曲率,设置曲率阈值将点云划分为平坦区和陡峭区,在此基础上采用均匀网格法进行精简。针对传统ICP算法依赖较好的初始位置的局限性,研究基于法线特征的粗配准方法,首先采用局部表面拟合法估计点云数据的法线,在此基础上计算点云的FPFH特征,然后采用随机采样一致性算法进行点云初始配准。最后通过建立KD-Tree加快对应点的搜索效率,并设定法向量阈值去除错误对应点对ICP算法进行改进。针对点云网格重建过程中自动化程度低、精度差的问题,研究基于Crust算法的曲面重建方法。首先计算点集的Voronoi图,并在此基础上进行Delaunay三角剖分。然后对最佳三角形进行筛选,通过相邻两个四面体中心的距离求解交叉系数,并与初始阈值进行比较,最终构建出完整的三角网格。实验结果表明,基于统计分析的去噪法和基于曲率特征的精简法可以获得纯净的点云数据;基于法线特征的粗配准算法可以为待配准点云提供较好的初始位置,改进的精配准算法提高了配准的效率和精度;基于Crust算法的曲面重建方法自动化程度高、效率高,生成的三角网精度高。