船体分段的精度检测技术在船舶建造过程中占用十分重要的地位。目前船厂使用的测量工具全站仪耗时耗力,效率低下,近年来兴起三维扫描技术具有测量速度快、测量精度高优点,在分段精度检测中引入三维扫描技术可以克服全站仪测绘效率低、测量点稀少的问题。但使用三维扫描技术对分段进行扫描时,会涵盖整个分段堆场背景,需要将其中有用的分段点云分割提取出来。因此本文对堆场场景下的船体分段三维扫描点云分割问题进行研究,提出一种基于深度学习的分段分割方法。该方法首先对三维扫描到的堆场场景点云进行预处理;然后使用本文训练出的分段点云分割网络对预处理之后的点云进行分割;最后达成将分段点从场景中分割提取的目的。具体研究工作包括以下几方面内容:1.针对目前船舶领域没有公开的船体分段点云数据集的问题,提出了一种结合预处理操作的船舶分段点云数据集的制作方法。首先对采集到的原始场景点云进行预处理,将原始点云数目降采样为深度学习可以处理的级别,且极大的保留了原始几何结构特征;其次通过平移、旋转、场景拼接等方式增强数据集,解决了船体分段点云数据样本稀少的问题;最后将所有样本进行标准化处理并制作成HDF5格式数据集,可供后续深度学习使用;2.针对目前深度学习领域没有可直接用于从堆场场景中提取分段点云分割网络的问题,对已有的Point Net和动态图卷积神经网络（Dynamic Graph Convolutional Neural Networks,DGCNN）进行网络结构的改进。并提出一种加权交叉熵损失函数,加大网络将分段点预测为背景点的损失权重。改进后的模型在测试集上取得了88%的分割准确率。通过可视化的分割结果展示,本文训练出的网络还具有抵御分段点云残缺问题的鲁棒性。3.基于训练好的分割网络模型,本文开发一个可视化的点云分割软件。该软件可以方便快速的实现分段点云的分割。输入一个场景点云后,分割出其中的分段点云只需3-5秒,并且可以可视化的展示分割结果。