Durant les dix dernières années, les systèmes d'acquisition de surfaces ont largement évolué, résultant d'une part en des instruments précis mais coûteux et d'autre part des instruments à bas coût mais imprécis. Cette évolution est similaire à l'évolution des appareils photos, dont ont dispose de modèles de plus en plus performantes en précision, et de modèles de moins en moins chers sur les téléphones mobiles et ordinateurs. Ainsi, il est nécessaire de pouvoir traiter ces données hétérogènes pour pouvoir générer des modèles tridimensionnels les plus précis possible avec des outils d'acquisition parfois moins précis. Nous proposons dans ce contexte la conception d'approches efficaces et pouvant traiter de grandes masses de données en exploitant une propriété intrinsèque à toutes les surfaces : leur auto-similarité. En effet, la plupart des surfaces, qu'elles proviennent du monde de l'art ou de la Conception Assistée par Ordinateur, exhibent une forte auto-similarité, venant de leur structure naturelle ou du processus de fabrication : régularité de l'outil de sculpture ou de la machine-outil. Les approches existantes de reconstruction de surfaces à partir de nuages de points essaire généralement de reconstruire des surfaces lisses et sans bords. Nous avons montré récemment [Digne et al., 2011] que les données haute précision perdaient généralement leurs détails avec de telles approches. Si la taille des données augmente, les approches globales ne réussissent pas à reconstruire à la fois l'objet dans son ensemble et les détails locaux. La clé de notre projet est d'éviter de traiter les nuages de points dans leur ensemble, comme effectué dans la littérature. Nous proposons un traitement plus local, prenant en compte les points et leur voisinage. L'analyse des surfaces à cette échelle plus fine permettra de révéler l'auto-similarité des surfaces, ce qui est le coeur de notre projet. La première étape pour un traitement des nuages de points considérant l'auto-similarité sera d'établir des moyens de comparaison entre les variations locales de surfaces. Pour ce faire, nous décomposerons les surfaces en régions locales pour lesquelles des descripteurs seront proposés. Armés de tels descripteurs, nous aborderons les problèmes tels que le recalage haute précision, la super-résolution, la compression et la segmentation des surfaces. Un dernier outil développé sera un outil de navigation interactive pour explorer les surfaces représentées par des nuages de points.