LiDAR点云语义分割,即对LiDAR点云中的每个点赋予一个有意义的标签。LiDAR能为自动驾驶系统提供包含高精度环境信息的点云数据,对点云进行语义分割能够获取环境语义信息,辅助自动驾驶系统进行决策和路径规划。自动驾驶系统要求能对周围环境进行实时、准确与鲁棒的感知,传统的点云语义分割方法大多依赖于手工特征的描述,不仅耗时而且泛化能力不高。而深度学习方法具有自动提取特征的优势,但是大部分三维深度学习方法在处理海量点云方面实时运行能力受限,于是许多工作使用图像深度学习方法展开基于投影的点云语义分割的研究。但是这些方法没有在实时性能和分割精度之间取得较好的权衡,并且三维数据转换为二维表示可能损失重要信息,影响模型的分割性能。针对这些问题,本文的主要研究内容如下:（1）为了在点云语义分割实时性与分割精度之间做出更好的权衡,本文提出一个基于残差注意力的实时语义分割模型。该模型使用球面投影方法,将原始点云投影成距离图像作为网络输入。模型采用ResNet-34的残差单元构成编码器-解码器结构的基础分割网络,在残差单元中引入通道注意力构建残差注意力模块,加强网络对重要通道信息的关注。同时结合上下文感知模块,提高了网络提取特征的感受野,并且使用跳跃连接弥补语义恢复过程中的细节信息。通过实验,该模型在实现实时运行的条件下,在点云分割精度上与现有方法相比有了较大的提升。（2）为了缓解三维点云数据投影成距离图像造成的信息损失问题,本文提出一个基于不同模态融合的点云语义分割框架。该框架可以分为两个阶段,首先使用三维特征提取模块基于点云的邻域提取三维特征,并将该特征与距离图像特征进行有效的融合。然后通过增加输入特征通道Mask和Focal Loss损失函数改进的残差注意力分割网络处理融合特征,得到逐点的分类标签。实验结果验证了基于投影图像融合点云的三维特征能有效提高模型的分割性能,同时表明了该框架的有效性。