点云数据是一种重要的三维数据,随着快速获取点云的技术不断发展和成熟,点云的数据量也在快速增加,亟需有效的数据压缩方法。常见的点云压缩方法有无损压缩和点云精简,本文从这两个方面入手,基于空间索引、k近邻搜索等方法,研究了点云的无损和有损压缩。无损压缩是一类比较通用的压缩方法。信息熵理论指出,无损编码压缩有一定的压缩限度。统计编码是无损压缩的一类重要方法,其中算术编码能够取得接近信息熵的压缩效果。由于散乱点云数据具有高度的空间相关性和无序性,所以在不改变坐标精度的前提下,可以通过合理的组织方法使数据更加有序。常用的点云组织方法有k-d树、八叉树、R树、规则格网索引、空间填充曲线等空间索引结构和基于这些方法的拓展索引结构。点云精简方法包含随机精简、均匀精简、特征保持的精简等几类,在精简之前或精简过程中,一般要去除离群点和噪声点。精简方法中,特征保持的精简方法虽然有较大的计算量,但是由于它具有保存原始点云的细节特征的优点,所以受到了广泛的关注。这类方法一般需要获取点云的邻域信息。k-d树和八叉树常用于近邻搜索中。在对精确度要求不高时,还可以使用近似近邻搜索。点云在某一点处的曲率大小是点云精简的重要指标,可以通过计算协方差矩阵特征值的方法近似估计。在点云数据的实际应用中,经常要用到曲面重构的方法。曲面重构一般基于等值面的计算,常用的方法有移动立方体法、泊松法和贪婪投影三角化法等几种,在仅考虑与点云的接近程度时,贪婪投影三角化法有比较好的效果。对于曲面之间的接近程度,可以通过豪斯多夫距离来衡量。本文的具体研究内容如下:（1）充分利用点云数据的特点,提出了一种精度无损的点云压缩方法,此方法用线性八叉树和Morton码组织和编码点云,然后采用和改进了几种统计编码方法,取得了较为理想的压缩率。本文还研究了此方法压缩率的影响因素,得出结论:点云密度高,精度低时本方法的压缩效果更理想。（2）对kd树和八叉树进行邻域搜索的性能和影响因素做出了研究,并在此基础上提出了一种基于曲率和点距的点云精简方法。此方法精简得到的点云分布均匀且细节保持的能力强。（3）介绍和实现了几种常用的曲面重构方法,并选择其中表现最好的贪婪投影三角化方法,对Happy Buddha的原始点云和精简点云进行重构,并使用豪斯多夫距离法比较精简前后的模型。实验进一步验证了点云精简的效果。