经过近20年的研究，基于计算机辅助设计的实物逆向工程技术在机械产品开发中取得了广泛的应用，但逆向工程技术仍处在发展之中，许多问题有待解决。数据点的提取和拟合是逆向工程里最关键的技术之一，数据提取和拟合的效果直接影响着机械产品的造型。 在机械产品中，只由一张曲面构成的情况不多，产品外形曲面往往由多张曲面混合而成。只按照一张曲面去重构其数学模型很难保证其模型精度，于是，在曲线曲面拟合之前还要进行的工作是数据提取。数据提取是将测量数据分类转变成为造型数据，方法是根据每一个自然曲面，将测量点分割同时并能够决定每一个点集属于哪一种曲面。本文使用最小子集定义一个二次曲面，将二次曲面的提取等同于寻找目标函数的最优值，并使用模拟退火遗传算法将规则二次曲面从测量数据中分离出来。该方法的优点是概念简单、实现容易且不依赖于曲面的分割结果。对试验结果的分析表明，该方法在二次曲面的提取速度方面比遗传算法要高。 由给定的空间数据点集构造B样条曲线曲面是CAGD中一个重要的研究课题，常用的逼近方法实质上是基于“经验风险”意义下的最小二乘逼近。本文讨论了基于“结构风险”意义下用最小二乘支持向量回归机整体构造B样条曲线曲面的逼近问题，其出发点是最小化结构风险，而不是传统学习的经验风险最小化，从而在理论上保证了较好的推广能力，能够实现对原始曲线曲面的逼近而不仅仅是对测量数据点的逼近。本文建立了B样条曲线曲面拟合的数学模型，并构造了一种特殊的核函数来保证曲面的B样条表示形式。本方法为逆向工程中曲线曲面的拟合问题提供了新思路，数值实验证实了可行性。