三维点云模型的骨架作为三维数据的降维表达,已经广泛应用于形状理解、物体识别、电影、三维重建等领域之中。如何从三维点云数据中提取高质量点云骨架已成为一个值得研究的课题。然而,来源自真实世界的三维点云模型极具多样性,其中一部分更是具有复杂的分支结构。此外,由于技术以及设备的缺陷,提取得到的点云数据总是不可避免地存在噪声、数据缺失等问题。复杂的分支结构、多样的点云种类以及数据的缺陷使得三维点云的骨架提取研究极具挑战性。本文提出了图收缩骨架提取算法。图收缩骨架提取算法对点云进行收缩时,能够很好地减轻数据缺陷对算法结果的影响,并且图收缩算法不仅对复杂分支结构具有鲁棒性而且能够泛用于各类点云模型。其中主要工作与创新如下:（1）提出了图测地距离度量用于搜索最近邻居点。利用黎曼流形的特性,通过在点云上构建最近邻居图得到图上的测地距离来近似黎曼距离。在后续的图收缩过程中,使得分支之间保持清晰的界限。（2）提出了图收缩的计算公式。该公式被设定为一个能量函数的最小值,由使6)个最近图测地邻居的图测地距离之和最小的收缩项和防止点云向局部主方向收缩的拓扑保留项组成。（3）提出了结合图测地距离与欧式距离的收缩策略,该策略通过切换使用不同距离测度来达到前期捕获大量几何细节后期加速主干结构快速收缩的目的。最终能够保证图收缩算法的泛用性。（4）提出了骨架点连接算法,通过对初始骨架进行八叉树划分以及降采样得到最终骨架点,再结合距离与主方向信息计算置信度进行连接骨架点生成最终骨架。（5）设计了对比实验数据集,数据集中不仅包括3D镭射扫描与多视图几何技术获取的真实世界点云数据,而且包含人工生成的树形点云数据。本文对具有标准骨架（Ground Truth）的点云的骨架提取结果采用基于倒角距离的量化评估,对不存在标准骨架的真实世界点云的骨架提取结果采用视觉评估。通过这种方式,尽可能科学且严谨的评估算法的有效性。