随着动画制作技术和三维呈现技术的迅猛发展,三维网格动画数据的有效压缩算法已越来越多地用于包括虚拟现实,游戏等,尤其是需要远程传输、显示和存储动画数据的多媒体系统中。研究面向多样数据的动态网格序列压缩算法也已成为计算机图形学界的重要课题。本文首先提出一种新颖的基于时空分割的三维动画序列自适应压缩方法。给定一个三维网格动画序列作为输入,利于基于核典型相关分析（k CCA）的最大平均差异（MMD）,通过检测动态行为来确定初始时域分割,获得较小的时间子序列。然后,通过对得到的子序列进行两阶段的顶点聚类,将内部相似性较高的顶点聚集在一起。之后,在执行基于PCA的压缩之前,根据每个顶点组内主成分的变化设计时域分割。最终,对PCA的基和系数采取了无损压缩算法,目的在于完整保留特征用以复原动画序列。该方法可以自适应地确定时域和空域分割边界,因此可以充分利用三维动画时域和空域上的冗余。本文还提出了边界编辑增强方法和基于频谱聚类的矩阵重组方法,这两个方法均应用于上述算法获得的时空分割块,以增强三维网格序列的压缩效果。边界编辑方法通过对时空分割块进行扩充,使得分割边界同时存在于相邻的两个数据矩阵中,从而保证动画解压缩时衔接处的一致性。对于矩阵重组方法,通过主成分分析（PCA）对时空分割块进行有损压缩后,首先计算所有PCA分解元素的光谱聚类。然后,提出了每个类别中PCA元素的三种新颖的重组方案（Row-wise matrix scheme,Arch-wise matrix scheme,and Curl-wise matrix scheme）。通过广泛的实验和比较,结果表明两种优化模型均可以提升三维网格序列的压缩性能。通过对动态行为的理解,本文提出了三维动画数据的自适应时空分割算法,同时利用时域和空域的冗余,算法的自适应性增强了算法在面对特征差异较大数据时的鲁棒性;提出了基于边界编辑的压缩优化方法和基于矩阵重组的压缩增强方法。通过量化对比与可视化重构误差,实验表明时空分割方法及其优化算法在三维动画压缩上具有一定的竞争力和有效性。