在实物的三维空间采样过程中,常常出现采样数据不完整的情况,导致其生成的离散曲面所表示的实物存在部分缺失。对缺失部分进行准确检测和合理修复已经成为计算几何和数字图形处理的一个重要研究课题。目前解决带缺失的离散曲面序列的修复问题,主要有两种方法,基于模板的方法和高维补洞法。但前一种方法或者需要较多的人工干预,或者需提供除原始数据之外的大量附加信息。后一种方法不但计算量大、计算复杂度高,收敛效果也不理想。序列中各帧之间的高度相关性和运动一致性为离散曲面的修复工作提供了更多依据,需要新方法来有效提取和充分利用,以克服以上两种方法的不足。本文完整的给出了一种新的带缺失点云序列的修复算法。算法第一步先将前向相邻两帧进行[CP配准,迭代地检测相对多余数据。第二步将两帧的相对多余数据分别进行K-means聚类,制作前一帧的实质多余记录表。第三步按照实质多余记录表,确定每个缺失部分的邻域,将邻域中的两部分进行局部ICP配准,进而实施局部修复。前向迭代修复完成后,再反向迭代一次,完成整个点云序列的修复。该方法只需输入原始点云序列数据,不需要模型的拓扑、模板、标准帧等附加信息,也无需保证点云序列中存在完整帧,不需要交互操作,全部过程由系统自动完成。本文第一章对研究背景和研究意义进行了简单阐述,介绍了已有的曲面序列的各种修复算法及本文主要工作。第二章阐述了离散曲面序列的定义、配准,以及K-means聚类算法及其改进。在第三章中,我们提出了一种新的点云序列修复算法,且给出了数值试验实例证明了算法的合理性。