由于点云几何信息丰富,基于点云的语义分割算法受到越来越多的关注,并且在自动驾驶、计算机视觉和机器人等领域都得到广泛的应用。目前,点云语义分割算法主要以深度学习为基础,并且取得了一定的进步。然而,由于点云数据规模庞大以及网络模型设计复杂,网络的训练周期过长。同时,点云数据自身的无序性及无结构性等也使得网络对其局部几何信息的利用变得困难,导致分割精度有限。为此,本文对点云数据进行稀疏处理,提出对应的图卷积网络模型,提升语义分割的精度和效率。（1）提出一种基于超点融合和图卷积的点云语义分割网络,在提升模型训练效率的同时保证分割精度。本文首先使用传统几何分割算法将点云划分成一组超点,以对点云进行稀疏化处理。为避免划分后的超点规模过小从而学习不到有效的特征表示,设计超点融合模块,将几何特征相似的超点融合在一起,形成部件增强点云的稀疏化表示,并基于融合后的部件构建图拓扑结构。随后,使用Point Net特征嵌入网络来进行特征提取,并利用图卷积神经网络完成语义分割。在两个大型场景数据集S3DIS和Semantic3D上与不同算法进行了对比分析,实验结果表明,该方法训练速度不仅得到显著提高,其分割精度也得到明显提升。（2）提出一种基于特征联合学习模块的点云语义分割网络,更好提取点云局部几何信息,提升语义分割精度。由于Point Net网络提取点云特征时并没有考虑物体的局部几何信息,因此在上一模型基础上引入二维特征提取模块。对于融合后的部件,首先利用可微分渲染器获得其局部区域的多视图图像;随后,使用卷积神经网络提取多视图图像特征,并进行特征融合;最后拼接Point Net网络提取的特征来共同表达点云特征。实验结果表明,该网络可以更有效的利用点云的局部几何信息,提取到有区别性的特征,从而使网络语义分割结果更接近真实标签。本文针对目前点云语义分割算法训练效率较低以及局部几何信息利用不足的问题,提出了两种点云语义分割网络。一方面在保证分割精度的前提下,通过对点云更好的稀疏化表示提高训练效率;另一方面设计特征联合学习模块来更好的利用其局部几何信息,最后通过对比实验论证了本文所提网络的有效性与先进性。