Face à l'explosion des systèmes d'acquisition de surfaces, les algorithmes de traitement numérique de la géométrie évoluent rapidement pour s'adapter à la diversité des types de données et des qualités d'acquisition. Tout d'abord, pour des données de qualité moindre, il est nécessaire d'améliorer la mesure par des processus de débruitage et de super-résolution. L'analyse de l'auto-similarité des surfaces permet de développer des approches d'amélioration de la mesure que ce soit pour des surfaces d'objet réel ou des formes généralisées (des formes dont la dimension intrinsèque peut varier). Au delà des données basse-résolution, la prise en compte de cette similarité permet également de compresser efficacement des données de surfaces, que l'on peut ensuite rééchantillonner pendant la décompression. De plus, si les données géométriques sont en elles-mêmes un sujet d'étude, elles peuvent être accompagnées de données d'image ou d'autres mesures, qui permettent de compléter ou d'augmenter les données géométriques par une analyse jointe. Cette habilitation aborde ce problème de la fusion de données multi-capteur pour enrichir des nuages de points représentant des scènes urbaines par une collection de photos, qui, une fois correctement recalées permettent par exemple de coloriser le nuage de points. Enfin, la dernière partie de cette habilitation s'intéresse à la reconstruction de maillages surfaciques. Pour certaines applications il est en effet intéressant de représenter une surface sous forme de maillage, et de remplacer ainsi localement plusieurs points par une unique facette plane. Pour cela, il est possible de quantifier la distance de transport optimal entre le nuage de points initial et un maillage. La reconstruction et l'optimisation du maillage peuvent être ainsi guidées par la minimisation de cette métrique.