Die Oberflächen von Maschinenteilen lassen sich dank der ständigen Weiterentwicklung der 3D-Scan-Technologie immer schneller erfassen und erzeugen dabei eine Reihe von Punktdaten, die auch Punktwolke genannt werden. Die Entwicklung der Scan-Technologie erfordert effiziente Objekterkennungsprozesse, um die gescannten Maschinenteile mit ihren geometrischen Merkmalen möglichst automatisch aus einer vorliegenden Punktwolke zu erkennen und entsprechend zur Weiterverarbeitung der Objekte durch CAD-Systeme zu rekonstruieren. Objekterkennungsprozesse bestehen aus mehreren Schritten, bei denen vor der Objekterkennung die Extraktion der geometrischen Oberflächenmerkmale wie Normalenvektor und Krümmung an den einzelnen Punkten der Oberfläche sowie die Segmentierung der vorliegenden Punktwolke erforderlich ist. Im Allgemeinen gibt es zwei grundverschiedene Ansätze, um den Normalenvektor und die Krümmung an Oberflächenpunkten zu berechnen: analytische und numerische. Analytische Ansätze sind im Vergleich zu numerischen Ansätzen operativ aufwendiger. Numerische Ansätze dagegen weisen Schwächen besonders an scharfen Kanten und Übergängen zwischen geometrisch unterschiedlichen Teilobjekten in einer Punktwolke auf. Zur Verbesserung des Objekterkennungsprozesses wird in dieser Arbeit ein Verfahren vorge- stellt und implementiert, bei dem der Objekterkennungsprozess direkt auf eine unstrukturierte Punktwolke angewendet wird. Unstrukturiert bedeutet hier, dass die Punkte aus der Punktwolke ungeordnet sind und keine Nachbarschaftsinformationen zwischen den einzelnen Punkten existieren. In dem vorgestellten Prozess werden zunächst die geometrischen Merkmale wie Normalenvektor und Krümmung aus den einzelnen Oberflächenpunkten gewonnen. Um die Normalenvektoren zu berechnen, wird ein bestehendes numerisches lokales Triangulationsverfahren zu dem neuen Verfahren Lokale Triangulation mit direkten Nachbarpunkten erweitert. Innerhalb dieses Verfahrens wird eine neue Methode entwickelt, mit der die störenden Punkte in der Nachbarschaft eliminiert und somit die direkten Nachbarn eines betrachteten Punktes ermittelt werden. Mit Hilfe dieser Methode werden lokale Triangulationen besonders an scharfen Kanten und Übergängen optimiert, so dass sowohl Normalenvektor als auch die Krümmung in einem Schritt effizient berechnet werden, ohne analytische Ansätze einzusetzen. Mit Hilfe der gewonnen Merkmale wird die normalenbasierte Segmentierung durchgeführt, um die Kanten und die Übergänge zwischen geometrisch unterschiedlichen Teilobjekten in der Punktwolke zu detektieren. Die detektierten Kanten und Übergänge werden weiter verwendet, um charakteristische Teiloberflächen in einer Punktwolke einzugrenzen, so dass die Punkte einer Teiloberfläche in der krümmungsbasierten Segmentierung aufgeteilt und den zugehörigen geometrischen Grundprimitiven wie Ebene, Kugel oder Zylinder zugeordnet werden. Die Zuordnung entspricht dabei der Aufteilung des gescannten Maschinenteiles in seine Teiloberflächen, welche später zur Weiterverarbeitung parametrisiert und in die von CAD-Systemen bekannten Formate konvertiert werden kann.