点云数据处理技术的目的主要是将噪声点去除、采样点光顺，也是三维曲面重构的基础。因为零部件的外形尺寸是通过3D扫描仪来获取的，不可避免的会引入外来数据点，尤其是附近的曲面片偏离原始曲面。同时，由于零部件的外形和扫描方法的限制，导致在数据扫描时常会产生部分测量缺口和盲区，给零部件的后续的造型带来影响。根据以往统计结果表明，在扫描后获取的点云数据中，大约有0.1％~5％的噪点需要被剔除，而这些数据点云中混入的噪声大致可以分3类：
- 由于被测物体表面因素产生的误差所引起的噪声。如复杂锻铸件表面粗糙度、表面的缺失，制造金属的材质和表面波纹等。
- 由于扫描仪本身的误差所引起的噪声。例如三维激光扫描仪的精度、CCD传感器的分辨率、激光散斑、分辨率和热噪声等因素引起的噪声。
- 突发因素引起的噪声。例如在扫描的过程中因为某些偶然因素将原来不属于物体的数据扫描到物体的点云数据中。
三维激光扫描仪在扫描体积庞大且分辨率较高时，获得的点云信息巨大，但大量的数据在输入输出、储存、操作和显示等方面会占用大量系统内存和加大运算时间。所以需要首先对原始的三维点云数据进行数据的缩减处理。
数据缩减过程是对大量点云数据进行精简，从而达到点云数据数量的减少，可以极大的提高后续数据处理效率。一些参考文献中，对于数据缩减主要通过设置不同的采样间隔和利用一些算法两种方法来简化数据。但无论使用何种方法，都必须遵循一个原则：数据处理前后，不能改变工件原本的特征，类似于音乐文件的无损压缩。目前比较常见的数据缩减处理的方法包括八叉树缩减方法、随机采样方法、包围盒法、保留边界法、均匀网格法和曲率采样法等。
由于被测工件比较复杂，一般要从不同位置扫描多个测量站，才能将被测工件完全扫描。一个完整的工件重构需要将不同测量站的扫描数据配准到同一坐标系下，完成这一个过程叫做坐标纠正又称坐标配准。坐标配准通常包含两部分：将不同的3D测量仪坐标系下的点云数据配准到同一个坐标系下；将扫描仪坐标系配准到测量坐标系下，同时为了获取三维点云数据精准的地理位置，需要增加地理参考。
ICP（IterativeClosestPoint，迭代最近点）算法是一种由Besl等人提出的迭代计算方法，实际上是基于最小二乘法的最优匹配算法，该算法重复运算着“确定对应三维数据点集并计算其最优刚体的变换”，直到某个配准收敛准则得到满足。主要针对自由曲面的纠正问题或计算机视觉中深度图像的精确拼合。
IPC算法要求某一个曲面上的每个数据点在另一个曲面上都能找得到对应的点，且要求初始相对的位置不能与真实的位置相差过大。但是，ICP算法进行配准时也存在一些问题，诸如：由于IPC算法基于数据迭代法，因此计算量巨大，速度比较慢；初始位置要求较严格，否则会陷入局部极小值。