点云的处理、传输、语义分割等是3维计算机视觉领域重要的分析任务. 现如今,图神经网络和图结构在点云研究方面的有效性已被证实,基于图的点云（graph-based point cloud,GPC）研究不断涌现. 因此,一种统一的研究角度、框架和方法论亟待形成. 系统性梳理了GPC研究的各种应用场景,包括配准、降噪、压缩、表示学习、分类、分割、检测等任务,概括出GPC研究的一般性框架,提出了一条覆盖当前GPC全域研究的技术路线. 具体来说,给出了GPC研究的分层概念范畴,包括底层数据处理、中层表示学习、高层识别任务;综述了各领域中的GPC模型或算法,包括静态和动态点云的处理算法、有监督和无监督的表示学习模型、传统或机器学习的GPC识别算法;总结了其中代表性的成果及其核心思想,譬如动态更新每层特征空间对应的最近邻图、分层以及参数共享的动态点聚合模块,结合图划分和图卷积提高分割精度;对比了模型性能,包括总体精度（overall accuracy,OA）、平均精度（mean accuracy,mAcc）、平均交并比（mean intersection over union,mIoU）;在分析比较现有模型和方法的基础上,归纳了GPC目前面临的主要挑战,提出相应的研究问题,并展望未来的研究方向. 建立的GPC研究框架具有一般性和通用性,为后续研究者从事GPC这个新型交叉领域研究提供了领域定位、技术总结及宏观视角. 点云研究的出现,是探测器硬件技术长足进步后应运而生的结果;点云研究的现状表明在理论和实践之间存在一些挑战,一些关键问题还有待解决. 同时,点云研究的发展将推动人工智能进入新的时代.