通过数据预处理，可以有效剔除点云中的噪声和外点，在保持几何特征的基础上实现点云数据简化，并将不同角度扫描的点云统一到同一坐标系下，为后续的曲面构建及三维实体模型生成提供稳健的数据基础。
1.数据配准
点云数据配准，也成点云数据拼接或坐标纠正。点云拼接是点云数据处理时最主要的数据处理之一，由于目标物的复杂性，通常需要从不同方位扫描多个测站，才能把目标物扫描完整，每一测站扫描数据都有自己的坐标系统，三维模型的重构要求把不同测站的扫描数据纠正到统一的坐标系下。
点云拼接方法分类如下：
1）标靶拼接。标靶拼接是点云拼接最常用的方法，首先在扫描两站的公共区域放置3个或3个以上的标靶，依次对各个测站的数据和标靶进行扫描，最后利用不同站点相同的标靶数据进行点云配准。每一个标靶对应一个ID号，同一标靶在不同测站的ID号必须一致，才能完成拼接。
2）点云拼接。基于点云的拼接方式要求在扫描目标对象时要有一定的区域重叠度，而且目标对象特征点要明显，否则无法完成数据的拼接。此方法需要依靠寻找重叠区域的同名点进行拼接，因此重叠区域特征点的确定直接关系到配准结果的好坏。
3）控制点拼接。为了提高拼接精度，三维激光扫描系统可以与全站仪或GPS技术联合使用。通过全站仪或者GPS确定公共控制点的大地坐标，然后用三维激光扫描仪对所有公共控制点进行精确扫描。再以控制点为基站直接将扫描的多测站的点云数据与其拼接，即可将扫描的所有点云数据转换成工程实际需要的坐标系。
2.数据去噪
在利用三维激光扫描仪扫描目标时，会受到扫描设备、周围环境、人为扰动、目标特性等影响，使得点云数据无法避免的存在一些噪点，导致数据无法正确表达扫描对象的空间位置。
噪声点主要分为三类：
1）由于物体表面材质或光照环境导致反射信号较弱等情况下产生的噪点；
2）由于扫描过程中，人、车辆或其他物体从扫描仪器与物体之间经过而产生的噪点；
3）由于测量设备自身原因，如扫描仪精度、相机分辨率等引起的系统误差和随机误差。
数据去噪的方法可以根据不同的情况分为不同的处理方法：
1）基于有序点云数据用平滑滤波去噪法，目前数据平滑滤波主要采取的是高斯滤波、均值滤波以及中值滤波。
①高斯滤波属于线性平滑滤波，是对指定区域内的数据加权平均，可以去除高频信息，其优点为能够在保证去噪质量的前提下保留住点云数据特征信息。
②均值滤波也叫平均滤波，也是一种较为典型的线性滤波，其原理为选择一定范围内的点求取其平均值来代替其原本的数据点，优点为算法简单易行，缺点为去噪的效果较为平均.且不能很好的保留住点云的特征细节。
③中值滤波属于非线性平滑滤波，其原理是对某点数据相邻的三个或以上的数据求中值，求取后的结果取代其原始值，其优点在于对毛刺噪声的去除有很好效果，而且也能很好的保护数据边缘特征信息。
2）基于散乱点云数据去噪常用的方法为拉普拉斯去噪、平均曲率流方法、双边滤波算法。
①拉普拉斯算法虽然能够很好的保证模型的细节特征，但是还会残存有噪声点。
②双边滤波算法虽然能够很好的去除噪声点，但是不能够很好的保留住模型的细节特征。
③平均曲率是依赖于曲率估计，对于模型简单噪声点较少的数据去噪效果较好，而对于复杂且噪声点多的数据，其计算速度慢且去噪效果较差。
3.数据精简
数据精简就是在精度允许下减少点云数据的数据呈，提取有效信息。一般分为两种：去除冗余与抽稀简化。
冗余数据是指在数据配准之后，其重复区域的数据，这部分数据的数据呈大，多为无用数据，对建模的速度以及质量有很大影响，对于这部分数据要予以去除。
抽稀简化是指扫描的数据密度过大，数量过多，其中一部分数据对于后期建模用处不大，所以在满足一定精度以及保持被测物体几何特征的前提下，对数据进行精简。以提高数据的操作运算速度、建模效率以及模型精度。
4.数据分割
对于较为复杂的扫描对象，如果直接进行点云数据建模，会使得建模过程十分困难，三维模型的数学表达变得复杂。所以对于复杂的建模对象，我们一般会进行点云数据分割，然后再分别建模，最后再进行组合。
