随着人们对立体信息日益增长的需求,图像限制了我们表示三维世界的能力。相比之下,点云（Point Cloud）数据能够直接表示三维空间信息,在沉浸式媒体、自动驾驶环境感知等应用中表现出重要作用与巨大潜力。但是点云数据量庞大,且无规则结构,它的存储传输面临挑战,亟需高效的数据压缩算法。针对点云压缩（Point Cloud Compression,PCC）这一重要课题,本文进行了大量而深入的调查研究,总结分析了各种点云压缩技术,并利用先进的智能图像压缩及点云处理方法,提出了智能点云几何压缩方案,在创新性和性能上都取得了较大突破。本文首先综述了点云压缩的相关背景和各种方法,以MPEG（Moving Picture Experts Group）PCC标准等先进点云压缩技术为参考,介绍了八叉树编码、表面编码等传统点云几何压缩方案,以及点云属性压缩方法。我们还综述了点云压缩智能化的相关工作,具体介绍了基于端到端学习的图像压缩、点云处理神经网络、以及智能点云压缩这个新方向。然后本文详细介绍了所提出的基于端到端学习的几何有损压缩方案,它基于体积模型,整体框架包括三部分:点云体素化及分块的前处理、基于三维卷积网络的编解码器、和基于二分类的后处理重建。对于该方案中的主要创新点,如前处理中的缩放操作、深度神经网络结构设计、自适应分类阈值设置等,本文进行了充分实验,以证明其合理性与有效性。我们还和其它点云压缩方法进行了大量实验比较,显示出所提方案在密集点云上优秀的性能,它比MPEG基于几何的编码方案（Geometry based PCC,G-PCC）能够节省60%以上的码率。在该基于学习的点云几何压缩框架之上,本文又提出了一个更加高效的多尺度几何编码方案,它在性能和复杂度上都有明显改进。该方案基于点云的稀疏张量形式,而非冗余的体积模型,并使用稀疏卷积构建变换网络,复杂度低、实现高效。我们使用这种先进的稀疏表示和卷积设计了多尺度重采样变换:在编码端,通过卷积下采样,将点云局部几何特征嵌入到低尺度点云的属性信息中,然后对属性进行编码。在解码端,我们使用对称的上采样操作递进式地从低尺度点云属性信息恢复原始点云细节几何结构。这种多尺度上下采样机制结合稀疏卷积,能够实现高效紧凑的隐层表征提取。经过实验比较,该方法能够比前一个基于学习的方案节省30%以上的码率,并且超过了其它传统方法,达到了目前领先的压缩性能。除了以上两个有损几何压缩工作,本文还展望了未来研究工作,包括无损几何编码、颜色属性编码等,未来还将继续深入探索动态点云压缩等广泛课题。本文的相关代码和数据都已开源①②,以供同行交流研究。