随着三维激光扫描技术的不断发展,点云数据的采集速度越来越快,模型精度也逐渐提高。点云作为三维场景的主要表示方式之一,在众多领域得到广泛应用,引起了学术界和工业界的一致关注。海量点云数据为用户提供了丰富逼真的沉浸式视觉体验,也对存储空间容量和网络传输带宽提出了更高的需求,因此针对点云压缩编码算法的研究具有重要意义。然而,当前主流的编码方案在压缩点云属性信息时不能合理利用数据之间的相关性,对编码性能具有显著的影响,如何有效提升点云属性压缩编码的效率已成为近年来研究的热点。本文针对点云属性预测编码中存在的问题,提出了一种基于曲线距离的径向基函数模型来对属性信息进行图变换,并给出一种基于LOD结构的点云属性预测编码方案,使用图变换处理预测残差,显著提高了点云属性压缩的编码性能。图变换是目前点云属性压缩领域的热门理论,备受研究人员的关注。本文针对现有图变换算法中点云子图构建、拉普拉斯矩阵各边权重值计算的问题展开讨论,分析现有算法在子图构建和权重计算方面的不合理性。在此基础上,本文改良了基于K-d树划分的子图构建方式,在构建子图时综合考虑点云空间分布和各子图维度均匀,并提出一种基于曲线距离的径向基函数模型来确定拉普拉斯矩阵各边的权重,充分结合点云数据的几何信息和属性信息参与编码。实验结果表明,相比于TMC13的编码方案,本文提出的基于图变换的点云属性压缩算法,BD-rate在YUV通道上平均下降了2.35%,4.44%,4.67%。同时,相比于欧式距离,基于曲线距离的径向基函数模型对算法性能也有一定程度的提高。针对点云属性预测编码中预测单元的划分方法不够合理,预测残差的处理方式也比较匮乏的问题,本文探讨了LOD空间结构,提出了一种基于LOD划分的点云属性预测算法。算法根据影响LOD划分的主要因素,结合八叉树结构实现点云数据的自适应LOD空间划分,以此为基础对点云属性进行层间预测,并基于LOD划分出的空间子层构建点云子图及其拉普拉斯矩阵,使用图变换处理属性预测残差。实验结果表明,本算法能够在不影响点云属性压缩性能的前提下自适应地进行LOD空间划分。相比于TMC13编码方案,面向预测残差的图变换方法具有明显的性能提升,BD-rate在YUV通道上平均下降了7.01%,11.66%,9.41%。