由于扫描传感器本身的噪声、物体表面几何形状及光学性质的复杂性，测量得到的点的三维位置经常会与真实位置发生偏离，即为点云噪声。常见的噪声类型为表面的条纹状噪声。点云去噪可从带噪声的数据中恢复出原始曲面，进一步提高数据质量。由于点云仅包含物体表面采样点的三维位置，去噪算法通过计算特定点的最近邻估计局部曲面信息，进行局部滤波或者投影以去除噪声。典型的算法包括移动最小二乘法、张量投票法等。对于复杂物体表面，点云几何中存在采样点的局部区域无法用曲面逼近的情况，可以通过无需局部参数化的投影算子进行点云去噪。此外，也可将首先将点云转化为网格，通过网格的连接信息在局部区域定义滤波算子，进行去噪。

点云注册是将扫描设备在不同视角下拍摄的物体表面点云数据注册到同一世界坐标系下，得到最终的点云重建结果。点云注册问题主要通过优化方法求解，以各视角下点云的变换为变量，取不同视角下各点云中对应点之间的几何距离来定义目标函数，通过最小化来计算正确的变换值。典型的算法为迭代最近邻法ICP（iterative closest point）。此算法在优化的每一步计算点云间的最近邻点作为对应，并计算刚性变换以最小化对应点间的几何距离，当两片点云距离较小时效果良好。为提高ICP算法的收敛速度，针对具有法向信息的点云数据可采用点到平面距离。由于点云噪声的存在，仅进行刚性注册无法消除非线性畸变带来的各视角点云数据无法很好贴合的现象，因此，也可采用非刚性变换来进行点云注册，但其计算需要非线性优化算法支持，计算量较大，一般会在刚性注册之后进行少量的非线性优化来进一步提高点云注册的准确度。

复杂的物体几何形状会造成自遮挡，难以扫描得到完整的三维物体点云信息，形成了点云中的洞。点云修复用于恢复未扫描部分的三维点，修复点云数据中缺失的物体表面信息，主要通过插值方法进行。利用径向基函数RBF（radial basis function）方法，可在扫描部分的点云建立全局的数学函数来插值缺失部分的三维点信息。针对丢失的几何细节信息，可进行局部参数化以纹理合成的方式进行填充。

基于三维点云的物体识别在机器人自主漫游、大规模场景点云处理中应用广泛，主要通过计算特征点或物体的全局特征，将它们与数据集中的三维物体进行匹配和识别。随着机器学习技术的发展，出现了结合局部三维特征及全局信息的三维点云分割及识别算法，如基于条件随机场、神经网络的点云分割与物体识别方法。