Die Analyse von Geometrie-Diagrammen spielt eine wichtige Rolle bei der Lösung geometrischer Probleme, wobei die Extraktion von Primitiven und die Analyse ihrer Beziehungen aufgrund der komplexen Anordnung und den zwischenprimitiven Verbindungen weiterhin Herausforderungen darstellen. In dieser Arbeit schlagen wir einen leistungsstarken Diagramm-Parser vor, der auf tiefem Lernen und Graphen-Schließung basiert. Insbesondere wird eine modifizierte Methode zur Instanzsegmentierung vorgeschlagen, um geometrische Primitive zu extrahieren, und ein Graph Neural Network (GNN) wird eingesetzt, um die Relationserkennung und die Klassifikation der Primitiven unter Einbeziehung geometrischer Merkmale und Vorwissen durchzuführen. Alle Module werden in einem End-to-End-Modell namens PGDPNet integriert, das alle Teilprobleme gleichzeitig löst. Darüber hinaus haben wir einen neuen groß angelegten Datensatz von Geometrie-Diagrammen mit primitivenebigen Annotationen erstellt, den PGDP5K genannt. Experimente mit dem PGDP5K-Datensatz sowie mit einem bestehenden Datensatz, dem IMP-Geometry3K, zeigen, dass unser Modell in vier Teilproblemen erheblich bessere Ergebnisse als die bislang besten Methoden erzielt. Unser Code, Datensatz und Anhangsmaterialien sind unter https://github.com/mingliangzhang2018/PGDP verfügbar.