室内场景语义理解任务中,三维点云语义分割是实现室内场景理解的重要基础,广泛应用于室内智能3D环境感知领域。随着深度学习技术在该领域研究的不断深入,运用深度学习解决以点云语义分割为代表的点云场景理解任务的研究成为热点。但由于原始点云属于非结构化数据,非结构化数据固有稀疏性和无序性,使得传统卷积神经网络无法通过常规卷积运算实现点云特征的有效提取。最初研究人员试图将稀疏离散的点云整体转化为空间排布规则的体素,然后运用3D卷积提取体素化点云特征。但是,基于点云数据体素化的分割方法会带来巨大的内存占用和计算开销,而低分辨率的体素化点云会损失局部细节信息。因此,针对点云空间分布不规则导致常规卷积方式难以有效提取特征信息的问题,本文基于点云局部平面规则化思想以及注意力机制思想对室内场景点云语义分割开展研究工作,具体研究内容如下:首先,针对现有点云参数化卷积运算在面对室内场景中某些平坦物体时局部特征信息提取不充分的问题,基于点云局部平面规则化思想,构建局部投影权重矩阵将局部空间中散乱的三维点云映射成规则的网格平面,然后通过2D卷积编码点云局部特征信息;为增强局部权重投影矩阵的方向感知和空间信息表达能力,增加方向编码邻域搜索,提出具备方向感知能力的方向平面投影卷积;最后,依据残差网络思想构建基于方向平面投影卷积的点云语义分割框架Point Resnet。其次,为进一步提升方向平面投影卷积的特征编码能力,提出一种适用于点云方向平面投影卷积的三维点云交互注意力单元,将投影权重矩阵得到的规则特征图进行通道与空间注意力交互计算,提升本文卷积方式的局部空间特征抽象能力,进一步弥补因局部平面化处理带来的空间信息损失;结合残差网络思想构建交互注意力方向平面投影卷积残差单元;最后结合Unet网络结构特点与本章残差单元构建三维点云语义分割框架Point Res Unet网络。最后,为验证本文点云语义分割框架适用于室内场景语义分割,在权威室内场景数据集Scan Net和S3DIS上,以点云语义分割领域三大基本评价指标作为依据,通过相同实验环境下与其他主流网络模型的指标数据对比,对本文提出的Point Resnet以及Point Res Unet点云语义分割模型的分割性能进行测试与评估,验证本文提出的方法在室内场景三维点云语义分割方面的优越性。