在文物保护领域,三维数字化修复是热门研究课题之一。作为三维数字化修复的重要组成,兵马俑三维模型部分结构提取在兵马俑的修复、碎片拼接相关文物保护研究工作中有着重要的研究价值。目前,传统的手动划分与结构提取的方法,依赖专家主观经验,操作较为复杂,最终划分结果误差较大且整体划分过程耗时较长。针对以上问题,本文提出了两种针对兵马俑三维点云的自动化分割聚类方法来实现对兵马俑三维模型的部分结构数据提取。本文的研究工作主要包括:（1）针对现有对兵马俑三维模型手动划分与部分结构提取耗时较长和误差较大等问题,本文提出了一种基于区域生长算法与图卷积神经网络的针对兵马俑点云的无监督自动化分割聚类方法（SRG-Net）。首先,该方法通过点云的位置坐标对每个点的法向量值进行预估;利用K-近邻算法获取每个点的邻域,在邻域中采用区域生长法对点云进行预分割。然后,利用基于图卷积的自编码网络对预分割结果进行学习;最后,利用优化操作对学习结果进行优化。实验结果表明,SRG-Net可以有效地对兵马俑三维点云进行划分与部分结构数据提取,能够实现较高的准确率。与传统手工方法相比,工作人员不需要专业知识就能够实现较高的准确率,降低了使用门槛,在大幅度降低人力成本的基础上提升了工作效率。（2）针对现有方法中兵马俑三维模型部分结构自动化提取方法对细节特征不够敏感等问题,本文提出了一种基于自注意力机制与融合卷积神经网络的小样本分割聚类方法（EGG-Net）。首先,通过优化空间变换模块提升网络性能,降低时延,然后,该方法利用了基于动态图卷积和边卷积的融合卷积编码器。其中,动态图卷积采用了基于自注意力机制的K近邻算法,实现对点云局部和全局特征的学习;边卷积实现对点云的拓扑结构的学习。其次,该方法还针对自注意力机制采用基于结构感知的损失函数,提升整体训练效率与准确率;最后,利用调优操作（fine-tune）针对兵马俑数据集进行调优,实现该模型参数的最佳优化。EGG-Net在兵马俑点云数据集和通用三维点云数据集Shape Net上均得到更好的实验结果。