为提高实物表面海量采样数据的曲面重建效率，需对其进行保形精简。采样数据法向的准确估计是数据保形精简的基础，针对基于最小二乘的法向估计算法对尖锐特征样点法向估计不准确的问题，对尖锐特征样点的法向进行修正，进而根据最小二乘方法得到的非尖锐特征样点法向与修正后的尖锐特征样点法向对实物表面采样数据进行保形精简。主要研究内容与研究成果如下：　　（1）提出基于均值逆向漂移的尖锐特征识别算法，利用均值逆向漂移算法获取样点的拓扑近邻点集，并将其作为曲面局部样本，通过核密度估计方法获取样点对应的模式点，根据目标样点与模式点的偏离程度设定实物表面采样数据尖锐特征样点的识别准则，可有效识别封闭曲面采样数据的尖锐特征样点。　　（2）提出一种基于间隙统计的自适应 k均值分簇算法，对非封闭曲面采样数据进行尖锐特征样点提取，对尖锐特征识别得到的样点进行微切平面拟合，与其局部拟合平面的距离平方和作为分簇对象，通过基于间隙统计的算法估计样点自然分簇数目，利用k均值分簇算法对距离平方和的集合进行分簇，能够准确获得样点的真实聚类结果，从而实现对尖锐特征样点的提取。　　（3）提出一种基于最小二乘拟合的尖锐特征样点的法向估计优化算法，以尖锐特征样点及其拓扑近邻点集作为曲面局部样本，对该局部样本通过高斯核密度估计的方法获取样点所对应的模式点，根据尖锐特征样点所处的局部型面特征，通过样点与其模式点的位置关系进行法向估计，能够提高大规模点云数据尖锐特征样点的法向估计准确度与效率。　　（4）基于实物表面采样数据法向进行点云的保形精简，通过本文算法与基于最小二乘拟合的算法分别获取尖锐特征样点与非尖锐特征样点的法向量，将样点与其近邻点的法向夹角作为分簇对象，对点云模型进行分簇，并分别对每簇样点设定相应的法向夹角阈值与参数实现对点云数据的自适应保形精简，能够根据不同的型面特征调整简化程度，有效保留型面特征复杂区域的样点，而减少平坦区域的样点，实现大规模采样数据的保形精简。