针对随机采样一致性(random　sample　consensus,RANSAC)算法对含有噪声的点云数据进行平面拟合时效果不佳和容易产生误识别的问题,对算法进行改进.通过基于密度的噪声应用空间聚类(density-based　spatial　clustering　of　applications　with　noise,DBSCAN)算法改变RANSAC算法初始点集合的选择策略,并使用主成分分析法(principal　component　analysis,PCA)计算点云各点法向量,以点到平面距离以及点的法向量与平面法向量夹角两个约束条件同时作为RANSAC算法平面拟合模型内点判定的准则.采用无噪声与分别含有300个噪声点和500个噪声点的点云仿真数据进行测试,本文算法拟合结果均接近理论值且内点距离标准差分别为1.007×10-8、0.003、0.007,优于RANSAC算法.采用实际工件点云数据在两种工况场景下进行测试,本文算法拟合平面内点比率相对于传统RANSAC算法分别提高24.7%和24.6%,平面提取完整度及准确率同样优于RANSAC算法.仿真模拟及实例分析证明了本文算法的有效性.