随着目前各种感知设备的发展以及各个领域都开始向数字化转型,海量数据爆发,点云作为一种典型的通过三维坐标表示物体的数据格式,被运用在了越来越多的应用场景,如医学模型重建、自动驾驶等领域。传统的点云算法在面对海量数据及复杂场景的情况下显得越来越乏力。近年来随着深度学习的快速发展,有学者开始将深度学习运用到点云处理中。其中PointCNN作为点云深度学习的代表性神经网络,在诸多领域表现出了优异的效果,然而,深度学习模型作为一个“黑盒”,具有难以解释和复杂的特性,也正因为如此,在应用及教学等诸多方面存在限制。对深度学习内部使用可视分析技术能够更加深入地探索深度学习内部的决策机制、各种数据之间的关联关系,以进一步增强深度学习的可解释性。但是目前的深度学习可解释性可视分析主要聚焦于CNN、GAN等网络以及NLP领域内的网络,尚未有学者通过可视分析来对点云深度学习模型进行可解释性进行分析,然而点云深度学习又具有极大运用价值,深入探究其内部运作机制对于进一步优化模型以及加深使用者的理解具有重要的意义。针对上述问题,本文在现有深度学习可解释性可视分析方法的基础上做出了以下工作:1.提出了基于PointCNN网络内部结构的可视分析方法。该方法将网络中产生的各项重要数据如通道数、点云信息、特征信息等输出并存储,再将这些数据建立关系矩阵,最后通过可视化方式呈现神经网络数据。2.在上述方法的基础之上设计并实现一个针对PointCNN可解释性的可视分析系统,同时嵌入更多的功能以使得更好地分析PointCNN。该系统包括四个主要功能:网络运行机制可视化、分割详情可视化、对比模型可视化、训练过程可视化。各个模块支持灵活的交互,以更好地探索PointCNN。本文设计的针对PointCNN可解释性的可视分析系统用以使得用户能够快速了解PointCNN运行机制以及帮助用户探索PointCNN在进行分割任务时可能存在的问题。并且本文通过案例分析进一步验证了该系统的有效性和可行性。