点云骨架提取一直是计算机图形学领域的研究热点。近年来三维扫描设备的使用越来越广泛,点云模型的应用场景也越来越多。但是点云数据由于数据量庞大等原因不宜保存,同时原始点云因为含有大量噪声也不宜直接使用。骨架作为模型三维空间的一维表示,可以完整地保存模型的几何特征而受到研究者们的关注。一般来说,设备扫描得到的原始点云数据含有大量噪声和离群点,这些噪声和离群点都会在不同程度上影响骨架的质量,所以如何设计一种鲁棒的点云骨架提取算法一直是一个难题。因此,本文采用最优质量传输方法,提出了一种对噪声和离群点鲁棒的点云骨架提取算法。该算法在保证骨架准确性的同时,还能提高骨架的连续性。本文的主要工作包括:1.提出一种基于最优质量传输理论的点云骨架提取算法。该算法首先对输入源模型进行随机采样,在此基础上给点分配质量构建概率空间,然后根据质量传输的思想建立起描述骨架的函数模型。在优化传输方案的过程中,将采样点收缩到模型的局部中心。最后根据采样点邻域关系构建骨架分支,最终得到近似于理想结构的曲线骨架。2.提出一种骨架优化算法。该算法首先在初步骨架的基础上进行线性插值扩充骨架点,保证骨架可以捕捉到更多细节。然后对骨架点分布进行分析,在原有能量函数上添加了一个正则项,计算了当前骨架点与其相邻骨架点中心的距离之和。经过优化后的骨架不仅分布均匀,还能在保证骨架准确性的同时骨架的连续性。3.通过对不同的点云数据进行骨架提取实验,得到的曲线骨架能够较好地反映源模型的形状及拓扑信息。并且与ROSA算法和L1中值算法的对比,验证了本文算法是有效的。研究结果可以适用于三维点云的识别、分析和重建等领域。