随着三维扫描技术的迅速发展,高分辨率和高保真度的点云模型在自动驾驶、计算机视觉、生物医学等方面的应用越来越普及。为了更真实地刻画三维场景或物体的几何与表面纹理信息,点云数据通常包含数万甚至数千万个点,且每个点可以附加多种类别的属性信息。由此产生的海量点云数据给存储和传输都带来了巨大的压力和挑战,成为限制点云相关应用发展的一大瓶颈。因此,针对点云数据的压缩算法研究具有重大意义。本文针对现有两种主流点云编码标准框架,即MPEG G-PCC和AVS PCC中属性变换编码部分存在的缺陷和不足展开研究。针对G-PCC中基于上采样预测的区域自适应分层变换算法没有充分考虑节点之间属性相关性的问题展开研究。对于RAHT属性变换部分,现有算法采用固定的三维变换顺序进行。然而待变换节点之间的属性相关性在不同变换方向上的强弱不同,各节点均采用同一固定变换顺序会导致信号能量集中的效果受限。因此,本文提出一种基于平面投影的节点变换方向自适应确定算法,通过将三维空间中的点云模型向不同平面进行投影,判断不同投影平面上点的分布状况,从而确定较优的变换方向顺序。实验结果表明本文的优化算法针对单个点云模型在不同测试条件下,颜色的亮度和色度通道上编码性能分别最高可提升1.8%、7.1%和6.2%,反射率的编码性能最高可提升1.7%。对于RAHT变换的上采样预测部分,现有的算法在计算预测属性值时没有充分考虑邻居节点与待预测节点的属性相关性。基于此本文提出一种预测邻居筛选算法,可以有效剔除预测过程中属性相关性过差的参考邻居节点。实验结果表明本文提出的邻居筛选算法针对单个点云模型在不同测试条件下,颜色的亮度和色度通道上编码性能分别最高可提升1.2%、8.1%和12.7%,反射率的编码性能最高可提升1.2%。针对AVS PCC中属性帧内预测无法高效去除点云模型空间冗余的问题展开研究。对于颜色属性信息,本文提出一种变换阶数自适应的一维DCT变换算法。该方法利用希尔伯特码实现三维点云的一维化,并按照希尔伯特序进行预测残差的自适应分组DCT变换。实验结果表明本文提出的算法针对单个点云模型在不同测试条件下,颜色的亮度和色度通道上编码性能分别最高可提升18.9%、36.9%和42.7%。对于反射率属性信息,本文提出一种基于多层WHT变换的属性编码算法,该算法基于二叉树和四叉树的混合树结构,对相邻节点的反射率属性信息进行从叶子结点到根节点的逐层WHT变换。实验结果表明本文提出的算法针对单个点云模型在不同测试条件下,反射率的编码性能最高可提升1.6%。