近年来点采样几何作为一种新的曲面表示方式,受到了广泛的关注。它无需存储和维护全局一致的拓扑信息,能对复杂的三维模型进行高效的绘制和灵活的几何处理,因此在处理复杂的或者动态改变形状的模型时,基于点的技术较之基于网格的技术有更高的灵活性。法向是点云的一个非常重要的几何信息,对点云的法向进行准确的估计,是在点云上进行其它操作的一个重要的基础步骤,因此对点云法向估计的研究具有重要的实际意义。给定一个从未知曲面上采样得到的点云,问题是如何准确估计点云中每一个点的法向。一些目前存在的算法,如基于拟合平面的法向估计算法,基于主成分分析的法向估计算法,基于标准奇异值分解的法向估计算法,基于Voronoi的法向估计算法等都可以对点云法向进行估计。但是通过采样得到的点云往往都伴随着大量的噪声,从而影响法向估计的准确性,这就要求点云法向估计的算法要具有较强的鲁棒性。然而上述这些算法的鲁棒性不强,因而导致法向估计的效果不理想。一种基于统计学习的Ensembles点云法向估计算法,在克服噪声和外部干扰上取得了很好的效果,但是由于其采样的随机性并且采用了相同的采样率,从而容易造成采样不均匀和局部信息丢失,导致估计结果不准确。本文提出了一种改进的Ensembles算法,通过引进分块采样策略及采用自适应的采样率,基本克服了原Ensembles算法的不足。同时,给出了一种新的带有权的平均公式,提高了算法的鲁棒性。