随着三维测量技术的不断发展,通过数字扫描设备能够有效的获取现实世界中物理物体的高精度表面模型,并成为获取3D点云数据的主要手段。三维点云模型已经被广泛应用于模式识别、三维重建、模型分割等领域,而特征提取作为三维点云模型处理的底层技术成为图像领域的研究热点。本文在总结特征提取技术国内外研究现状的基础上,将马尔科夫随机场(Markov Random Field,MRF)模型应用在该领域,分别从建立典型的MRF模型和提取显著特征点建立MRF模型两方面给出研究思路和求解框架。本文研究内容主要包括:1.提出了基于马尔科夫随机场的散乱点云全局特征提取算法。该算法基于经典的MRF模型,通过观察点云分布的直方图拟合高斯分布建立模型,根据贝叶斯估计将先验问题转化为最大后验概率的求解,进一步推导为随机场最小能量的求解,归约简化得到目标函数,求解该函数并提取特征点。该算法针对传统算法存在大量的人工调参及阈值设置的问题,灵活的融合了典型MRF模型的自适应性,有效避免了传统算法的弊端,并提高了算法的自适应性和时间效率。2.提出了基于显著特征点的散乱点云特征提取算法。该算法的核心思想是对典型的MRF模型进行改进,和前面算法的主要区别是对随机场模型的建立方法:通过构造点云的显著度函数计算散乱点的显著度,结合点间测地距和显著度构建Reeb图,提取显著特征点,根据点到显著特征点以及中心点的距离求MRF随机场的联合密度函数。该算法继承了自适应性优点,同时也避免了上面算法存在初始阈值的设置及点云数据高斯拟合的问题,使点云特征提取完全跳脱出传统曲面曲线拟合和特征参数设置的思维禁锢。3.这两个特征提取算法主要应用于秦兵马俑碎片的虚拟复原项目中。实验结果表明本文算法均能够有效提取出兵俑的特征,相对于传统算法具有自适应性和高效性,为后续兵马俑虚拟复原工作奠定了基础。