随着科学技术的发展,三维点云数据凭借着获取便利、应用简洁等优点逐渐被应用到医疗、逆向工程等领域中,同时由于三维扫描精度的不断提高,获取的三维点云数据量愈加庞大,所造成的数据冗余问题对后续的点云处理十分不利,因此对点云数据的精简成了当下一个研究的热点问题。本文主要针对散乱点云特征点的提取和在保留适当特征点的基础上实现点云较高精度的精简这两个问题进行了研究,具体研究内容如下:首先,在提取散乱点云特征点方面,为了有效获取散乱点云中的尖锐特征点和边界特征点,本文提出了一种基于多判据准则提取点云特征点的算法。首先利用一种改进的KD树构建点云拓扑,搜索样点的k局部邻域;然后利用法向夹角判定准则、核密度判定准则、场力和判定准则分别求取各个样点局部邻域的三个特征参数,最后通过加权计算特征参数得到每个样点的特征值与全局判定阈值,特征值比阈值大的点即为特征点。本文算法综合考虑了各个判据优势通过多判据方式弥补了单一判定法则的弱点,使得特征点的判定更加精确和全面。其次,在点云数据精简方面,针对以往算法存在点云特征无法充分保留,在平面或者非特征区容易出现过精简而造成空洞现象等问题,本文提出了一种基于法向夹角集合模糊熵的点云精简算法。首先利用提出的点云特征点提取算法实现点云特征的提取与保留,之后通过求取法向夹角集合最小模糊熵的方法选取合理的点集分割阈值,将点云数据迭代分割为多个子集,并利用不同采样率对各子集进行合理简化最终实现点云的有效精简。最后,通过对多个点云模型进行实验并与其他算法进行效果对比后证明了本文算法的有效性和准确性。