随着计算机科学和三维扫描技术的快速发展,点云数据的应用范围越来越广。然而在获取点云数据的过程中,由于受到外界环境、人为操作、物体材质和设备精度等的影响,获取的点云模型经常混入噪声,严重破坏了模型的几何特征,给模型的封装和检测带来了不良影响。因此,为获得较好的三维模型,需要对点云数据进行去噪处理。针对在点云去噪过程中不同尺度噪声难以同时去除的问题,结合现有的去噪算法,本文将点云噪声分为大尺度噪声与小尺度噪声,对不同尺度的噪声进行分步处理。大尺度噪声即离群噪声,包括远离点云主体的孤立点与小而密集的噪声点;小尺度噪声是指与点云主体混杂在一起的噪声点。首先,对于大尺度噪声中两种离群噪声无法同时去除的问题,本文采用半径滤波与DBSAN聚类相结合的方法去除大尺度噪声,半径滤波用于去除远离点云主体的孤立点,DBSCAN聚类算法用于去除远离点云主体小而密集的噪声点。并分别提出了半径滤波与DBSCAN聚类算法的参数选取方法,减少人工调参,实现了参数选取的自适应。其次,去除大尺度噪声后的点云数据主体中混淆着非离群噪声,即小尺度噪声。针对此类噪声,本文提出了一种基于点云特征分类的自适应双边滤波算法。在点云特征分类方面,采用法向距离和平均曲率双阈值将点云划分为平坦区域和尖锐区域,提高了特征分类的鲁棒性。在法向量的估计方面,尖锐区域采用保持特征的自适应法向估计法,平坦区域仍然采用主成分析法,这样既能保持尖锐特征,又能避免自适应带来计算效率下降的问题。最后在双边滤波方面,对尖锐区域与平坦区域采用不同的空间权重,特征因子引入调节函数,实现对点云数据的自适应双边滤波。最后,对本文算法进行了实验分析。实验结果表明,该算法有效去除了不同尺度的噪声。本文提出的离群点去噪算法能够同时去除孤立点与小而密集的噪声点,与其他算法相比,去噪后的点云数据与原始模型最为接近。自适应双边滤波算法在去噪的同时保持了点云的尖锐特征,避免出现过度光顺,并且去除噪声后的模型标准偏差最小,有效提高了点云的去噪精度。