三维物体的区分是计算机图形学和计算机视觉方向的主要挑战之一。骨架模型是三维模型的一种“紧凑”的数据格式,直观地显示了模型连通性和几何结构,可以尽可能完整地表示三维模型的拓扑结构信息。近年来,相关工作主要集中在散乱点云本身,点云骨架在三维模型分割、三维模型重建以及配准和可视化方面得到广泛应用。针对真实物体扫描的三维点云数据,本文提出一种基于区域分割引导的自适应点云骨架提取算法,主要的研究内容有:（1）研究点云空间组织和自适应增强及采样方法。在点云预处理操作时采用八叉树的拓扑结构进行空间划分,并且基于局部体素大小进行动态的子空间剖分,在提升划分效率的同时降低了空间和时间资源的浪费。之后计算体素的区域离散度量值选取出强特征区域进行自适应加点增强,从而实现特征区域的显著性识别。最后基于增强点云局部密度值完成中值采样,获得采样点集,为后续点云骨架提取提供骨架候选点。（2）研究自适应区域划分和自适应骨架提取方法。在点云聚类分割的过程中采用k均值聚类算法并对其进行了改进,改进体现在两处,一个是通过肘部法则实现自适应k值的选取,量化聚类效果并分析找出最佳k值,一个是基于自适应k值在采样点集中自适应选取初始聚类中心,并用不同颜色标记分割结果。然后基于区域分割结果,在各区域内部应用L1-中值骨架提取算法生成局部骨架,以确保局部细节完整,之后对骨架头尾连接点进行判断,选择合适的连接方式完成骨架连接。实验结果表明三维物体点云模型的自适应分割为后续点云骨架的生成提供了区域约束条件,可以得到良好的骨架。本文提出了一种基于区域分割引导的自适应点云骨架提取算法,主要针对L1-中值算法中随机采样导致的可重复性差的缺点以及密度不均时丢失骨架细节等缺陷进行了改进。实验结果表明,该算法对于源点云的质量和拓扑结构没有严格的要求,不需要做任何预处理可直接应用。与L1-中值算法相比更加的高效稳定,且提高了准确率,具有更好的骨架效果。