针对基于单一几何特征的文物碎片匹配方法的精度不高的问题，提出一种基于多特征参数融合的文物碎片自动匹配方法。首先，采用分割算法提取文物碎片的断裂面，并计算断裂面上点的四个特征参数：点到邻域点的平均距离、点到邻域重心的距离、曲率以及邻域法向夹角平均值；然后，融合四个特征参数得到特征判别参数，并通过判断特征判别参数值提取出特征点集；最后，采用基于尺度因子的迭代最近点（Iterative Closest Point， ICP）算法对特征点集进行匹配，从而实现文物碎片的断裂面匹配。实验采用兵马俑碎片的点云数据模型来验证该基于多特征参数融合的文物碎片匹配方法，结果表明该匹配方法可以克服基于单一几何特征匹配方法的精度不够高的问题，比已有算法的匹配精度提高15%以上，时间效率提高20%以上。因此说，该基于多特征参数融合的匹配方法是一种有效的文物碎片匹配方法。

激光扫描获取的点云模型形状分析和变形需要依赖骨架线完成。本文提出了一种快速自动获取激光扫描点云骨架线用以对模型进行形状变换的方法，同时减少手动绑定骨架导致的时间耗费。该方法将初始骨架点定义为点云模型中具有对称法向的最近相关点的中点，通过中点状态的平衡化得到最终的骨架点；然后采用主成分分析法搜寻满足方向一致性要求的骨架点组合，并利用广度优先搜索方法合并不同骨架分支；最后将各分支通过拉普拉斯平滑后相连，从而得到完整的骨架线，并将此骨架线应用于模型形状变换的任务中。实验将本文方法与L1中轴骨架、质量驱动拓扑感知曲线骨架等方法进行对比，采用激光扫描的点云作为测试数据，验证了该算法的有效性、鲁棒性和高效性。本文算法提取效率提高到对于由8 077个点组成的点云提取骨架线仅需0.764 s，处理具有33 041个点的点云需4.356 s。将本文提取的激光扫描点云的骨架线应用于点云形状变化任务中，展示了此方法的实用性。

针对现有陶制文物表征学习方法是基于大量带标签数据的有监督学习方法，人工标记费时耗力且不能有效地学习到点云内在结构信息等问题，本文提出一种基于局部-整体双向推理的无监督表征学习方法。首先，提出多尺度壳卷积层级结构编码器提取不同尺度的文物碎片局部特征。其次，利用局部到整体推理模块将提取的局部特征映射得到全局特征，通过度量学习衡量两者之间差异，进行反复学习。然后，利用整体到局部推理模块以确保获取到的全局特征的质量。最后，在不同层次的局部结构和整体形状之间通过双向推理来学习文物点云表征，并将学习到的点云表征应用于分类下游任务。该网络模型在兵马俑数据集和ModelNet40公开数据集上的分类精度分别达到了93.33%和92.02%，分别高于PointNet 4.4%和2.82%。同时缩小了下游分类任务中无监督和有监督学习方法之间的差距。

由于外在因素导致出土的文物模型呈现破碎状态，对其进行虚拟修复对考古学具有重要意义。现有孔洞修补方法大多仅针对三维模型结构进行补全，并且在三维结构修复后缺少表面的颜色纹理信息。本文基于文物三维空间结构和纹理信息，提出一种三维文物孔洞修复方法。首先，为了解决三维文物结构修复问题，利用基于径向基函数的算法填补三维文物网格模型的孔洞，通过拟合的曲面方程调整孔洞补丁顶点，使其与原有模型更好地融合。其次，为补全文物表面颜色纹理信息，使孔洞补丁与原有模型表面纹理自然过渡，将三维问题转化为二维图像修复问题，以EdgeConnect为框架，通过添加精细化网络生成更高分辨率的结果。最后，使用Mudbox软件映射二维图像到三维模型表面，融合结构和纹理修复的结果。本文改进后的二维修复网络在评价指标PSNR（Peak Signal to Noise Ratio）、SSIM（Structural Similarity）和MAE（Mean Absolute Deviation）的性能分别提高了0.54%、0.217%和6.52%，该方法能够有效地恢复兵马俑三维模型网格结构和表面纹理信息。

为解决传统拼接算法在断裂部位受损情况下存在拼接误差大且耗时的问题，本文提出一种基于断裂面几何特征的破损文物碎片自动拼接算法。首先，定义碎片模型邻域特征参数，提取断裂面特征点，依据最小二乘法原理构造曲率特征参数对特征点集进行优化；然后，为解决稀疏点云特征难以匹配的问题，定义特征点间相对距离和相对夹角作为特征描述符，依据集合相似理论对特征点进行相似性度量，提取断裂面特征点对匹配集，并利用随机抽样一致性算法剔除误匹配点对，筛选出最优匹配集；最后，采用奇异值分解法计算旋转、平移矩阵，利用基于K-D树改进的迭代最近点算法实现碎片的精确拼接。实验结果表明：与传统的拼接算法相比，本文特征点少，特征描述符简单，鲁棒性强，有效提高了碎片拼接的准确性和效率。