场景流是定义在连续场景间的3D运动场,快速而准确的估计场景流可以得到连续场景间的运动信息,对机器人技术和自动驾驶任务有重要的意义。点云场景流估计的传统方法一直有耗时长、准确度不够的问题,而基于深度学习的点云场景流估计方法表现出更加出色的性能。在该领域的探索中,从连续点云中回归出场景流依然存在很多挑战。本文简单的将场景流任务分为匹配和回归两个过程,在匹配过程中的问题包含如何增大匹配范围、提高匹配准确度等;回归过程中的问题包含如何在上采样过程中保留细节信息、离群点处理、平滑优化等。当前很多的点云场景流估计方法更多关注到匹配过程而较少关注到回归过程,尤其是根据几何先验知识对场景流进行优化。本文提出基于邻域一致性的点云场景流传播更新方法,在回归过程中使用先验的点云局部几何信息进行场景流的优化。具体来说,基于邻域一致性的点云场景流更新方法包括置信度预测模块和场景流传播模块:置信度预测模块对骨干网络估计出的粗糙场景流图,根据邻域信息估计置信度图,该置信度图表明了点云上每个点上场景流估计的准确程度。场景流传播模块根据局部一致性的几何约束,对低置信度点集的场景流进行更新,从而提升整个场景流图的准确度。在合成数据集和真实数据集的测试评估结果,证明了该方法的有效性,并因为邻域一致性的几何假设更符合真实场景的先验假设,所以在真实数据集上的提升更加明显。由于为点云场景中的每个点标记场景流向量是十分昂贵的,所以真实点云场景数据集几乎没有场景流标签,现有的点云场景流监督方法主要在合成数据集上进行训练,在真实数据集上进行微调和测试,这种训练数据的限制,使网络的训练没有真实场景的参与,限制了场景流估计网络在真实环境中的有效性。为解决这一问题,本文提出一种半监督的场景流估计方法,使用两个结构相同但是初始化不同的场景流网络的输出结果构建伪标签,使用伪标签监督无标签数据。半监督训练方式可以有效使用现有少量的有标签真实点云场景配合大量无标签点云数据对网络进行训练。在真实数据集上的测试结果显著优于只使用有标签数据微调的结果,展示出在真实场景中巨大的应用前景。