三维激光扫描系统作为目前空间数据采集的主要方式之一,能够连续获取扫描物体表面大量的三维点云数据。但随着高精度、高密度点云的快速扫描的发展,也带来了点云冗余的问题。为满足不同精度的点云建模实际需求和提高点云后续处理的速度,用尽量少的点云尽可能地表达更详细的物体特征,对点云进行精简压缩成为了大规模点云数据处理中主要关键问题之一。在对目前点云压缩方法研究的基础上,针对经典区域重心法的局限性,结合各种三维激光扫描系统获得的点云数据的特点和三维空间分割理论对其进行改进,在点云数据的驱动下,设计了基于八叉树的点云区域重心精简算法。首先,在数据驱动、压缩比控制的条件下,分步建立自适应八叉树空间结构。第一步,根据改进的压缩比相关公式确定的八叉树的初始分辨率和树深,初步划分由点云数据确定的最外包围盒空间,然后再将点云插入初始八叉树。第二步,根据插入后最小包围盒内点云个数情况,在压缩比控制下确定点数阈值范围,对点云进行自适应的空间划分。然后,在自适应八叉树的基础上,遍历节点建立线性八叉树存贮结构。线性八叉树只存贮实叶节点的特性能够减少树深过深时带来的内存空间方面的占用,增加空间利用率的同时也提高留存的实叶节点的点云精简的效率。最后,根据点云数据属性内容以及同种物体强度信息相同的理论,拓展“重心”概念,将强度信息加入精简指标中。利用归一化思想将距离差值和强度差值去量纲化,做数据综合处理以确定最合适的体素重心点。利用多源数据进行各个程度压缩比控制下的不同压缩方法间的效果对照,发现分步划分的自适应线性八叉树结构压缩在时间耗费上比均匀划分的三维栅格化体元阵列压缩有明显降低,大大提高了压缩效率。同时,各种形式采集的点云数据在较低压缩比时依然出色的精简效果,也说明经过自适应八叉树改进的空间划分形成的多细节层次包围盒扩大了方法的通用性,使其能够适用于复杂场景的散乱点云精简。综合标准偏差的数据指标分析,基于八叉树的点云区域重心精简方法在相同压缩率下对点云的压缩效果比传统区域重心法亦有较大提升。