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VoxelDNN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.