近年来,随着逆向工程技术的发展,三维点云模型广泛应用在虚拟现实、三维地图、医学图像、影视特效等领域,如何快速准确的建模,成为三维重建技术的关键问题。由于获取的点云不可避免的存在冗余数据,因此为保证建模的质量与效率,有必要对点云进行精简等处理。本文针对重建过程中的点云数据精简和三角网格重建问题进行深入研究,具体研究工作概括如下。首先,针对现有的点云精简算法在简化过程中经常丢失大量细节特征的问题,提出一种基于特征保留的点云精简算法。该算法通过拟合点云数据的平整度值,对空间进行细分,在特征区域引入法线估计和加权平均高斯核函数定义点特征,提取特征点;在平坦区域内使用体素法进行快速简化,再利用随机精简法重新对点云进行采样,并融合到提取特征点后的点云中,然后去除重复点,实现点云的简化。其次,在三角网格重建阶段,针对网格生长效率低,网格生长质量不高的问题,提出一种基于多准则的三角网格重建算法。该算法在区域扩张法的基础上融合了投影法的思想,以一个种子三角形作为起始条件,利用投影法将三角形的邻近点映射到二维切平面上,并设计了多个准则快速确定候选扩展点的范围,然后将候选点的二维关系映射回三维空间,在空间内为候选三角形设置优先级,选择最优三角形,并以此方式不断的区域生长,快速重建出高质量的网格模型。最后,依据精度、简度和速度三个指标以及网格生成质量和算法运行耗时两个指标,分别验证精简算法和重建算法的有效性。仿真实验结果表明,基于特征保留的点云精简算法和多准则的三角网格重建算法均取得了良好的效果。