进入信息化时代,随着三维模型表达在各个领域的运用,逆向工程中以点为基元的点云模型作为一种新兴的几何模型受到的关注度也越来越高。然而通过测量设备获取目标对象表面各点空间坐标时,由于扫描设备,对象本身等原因造成数据缺失使点云模型出现孔洞。为了保持点云数据的完整而不影响曲面重构、实体重建等后续操作,有必要对得到的点云模型进行数据缺陷的分析和修复。本文在研究现有孔洞识别与修补方法后,针对问题展开研究并取得了新的进展。首先,对于点云模型孔洞定义不明确问题,测量设备和对象的差异使不同的点云模型数据缺失类型也千差万别,论文从常见测量方式和前预处理过程分析孔洞形成原因,总结不同点云模型,对点云模型孔洞类型进行系统地归纳分类,补充了目前点云数据缺失研究上的短板,为后续点云模型孔洞识别和修补做铺垫。其次,无拓扑结构散乱点云数据中只利用点特征属性识别孔洞效果不可观,且多数方法对孔洞位置确定借助二维投影方式,三维层面上识别方法有所欠缺。本文提出基于体素的点云模型孔洞识别方法,通过输入整体点云模型进行体素化处理,利用体素单元间的连通关系对封闭点云的普通孔洞边界体素进行提取,借助边界体素确定初始点云模型孔洞中的边界点,然后将RPCL-FCM聚类算法运用于孔洞边界点划分中,对多个孔洞边界进行划分,剔除非孔洞数据点簇,最后利用最近点搜索方法连接边界点形成边界线。实例验证方法能在三维空间有效地确定孔洞位置完成点云模型孔洞的识别和提取,减少了二维到三维之间数据反复映射转化的计算开销。然后,针对孔洞不同类型的修补问题,不同点云模型处理过程中出现的孔洞类型不同,而现有算法修补专注于单一孔洞提高修补精度和效率,并未应用于不同模型的不同孔洞。论文将BP神经网络以及优化的BP神经网络四种算法应用于不同模型中不同类孔洞修补上,分析各种算法在不同孔洞修补中的偏差,对比得出结论,在此基础上总结出针对不同孔洞应对的修补策略,为同类自然孔洞的修补提供了依据。最后,为了验证研究方法实用性以及意义所在,同时也为了推动课题进程,对新测件运用论文研究方法进行处理,实现了汽车悬架控制臂点云模型的孔洞识别和孔洞修补操作,修补精度和误差分析表明效果较好。