随着三维扫描技术的快速发展,人们通过三维扫描仪器能够方便的获得精度和密度越来越高的三维数据,对点云模型的关注与研究也越来越多。目前一般的激光测量设备可以从产品表面轻易获取数十万,甚至百万的测量数据点。由于实际物体表面的形状复杂性或者设备的精确度不够,在测量结果的点云数据中时常会出现孔洞。本文通过对点云模型属性以及孔洞边界提取存在的一些问题的研究,得到了一种鲁棒的孔洞边界自动检测的算法,主要内容包括最大角度度量、半圆盘度量以及形状度量这三种不同标准的孔洞边界点检测算法。全文总共分为5章。主要的上作内容包含以下几个方面：1.对点云模型数据点k邻点的查找与法向量的估算。采用构建Kd-树的方法进行k邻点的查找,并在k邻点的基础上得到一个协方差矩阵利用主元分析法来估算数据点的法向量。2.针对点云模型自身的属性,本文决定依据点云模型数据点的拓扑关系对孔洞边界特征点进行检测,从而选择出三个检测的度量标准：最大角度度量标准、半圆盘度量标准、形状度量标准。最大角度度量标准是按照角度的大小来对孔洞边界特征点和内部点进行划分,最重要的一步就是将k邻点投影到切平而上并对投影点进行排序,如此便可依次求出各个投影点的夹角。半圆盘度量标准则是按照k邻点在切平而上的投影点同胚成半圆盘还是圆盘来区分边界特征点和内部点,在这里我们引入高斯函数作为权重函数来计算投影点的重心,提高了精确度。形状度量按照k邻点逼近的椭球的形状来区分边界特征点和内部点。椭球的形状可以通过由k邻点得到的协方差矩阵的三个特征值来进行描述,当最大的特征值远远大于次大的特征值并且最小的特征值几乎等于0的时候,我们认为当前的数据点位边界特征点。3.为了能够将三种检测标准进行结合,本文使用的边界概率这个概念,三种不同的检测标准为每个数据点计算出三个不同的边界概率,这样可以为每个边界概率赋予权重并求和得到一个最终得边界概率。最终得到的边界概率作为判断边界特征点的依据。4.检测出边界特征点以后采用贪心算法对所有的边界特征点进行了排序,并提出了一种对不同孔洞边界特征点进行区分的方法。将区分好的各个孔洞的边界特征点依次连接便得到孔洞边界。