提出一种结合八叉树结构和多层感知机（Multi-Layer　Perceptron,MLP）的点云压缩算法，旨在提升点云数据的压缩效率和重建质量。利用八叉树对点云数据进行空间划分与量化，构建扩展的上下文模型，将父节点、同层节点及祖先节点的特征共同嵌入上下文窗口，并通过MLP建模节点间的依赖关系，从而更加全面地捕捉空间几何特性和局部关联性。该算法在多个公开点云数据集（包括MPEG　8i、MVUB和SemanticKITTI）上验证。实验结果表明，与主流点云压缩方法　G-PCC和Voxel　DNN相比，所提算法的各点所占比特（Bits　Per　Point,BPP）相较于G-PCC方法降低19.05%，编码时间与G-PCC方法相当，解码速度相较VoxelDNN在MPEG　8i和MVUB数据集上分别提升9倍和17倍。在重建质量指标（D1和D2　PSNR）方面，所提方法在大多数比特率范围内表现优异，展现良好的健壮性和适用性。