随着三维点云数据广泛应用于机器人、无人驾驶和三维场景漫游等领域，三维点云的数据量急剧增加，因此提出高效智能化的三维点云识别方法具有重要的现实意义。目前，深度学习在计算机视觉等领域已经取得了很大的进展。本文将深度学习运用到三维点云识别任务中，并取得以下研究成果和结论：
　　基于Spider卷积的三维点云分类与分割网络。针对Spider卷积神经网络(Convolutional Neural Network，CNN)无法充分地从三维点云数据中获取深层次特征信息的问题，设计出一种可以直接处理三维点云数据的分类与分割网络：Linked-SpiderCNN，该方法基于SpiderCNN和残差网络思想结合。首先在SpiderCNN基础上通过增加Spider卷积层数以获取点云深层次特征；其次引入残差网络的思想在每层Spider卷积增加短连接构成残差块，并将每层Spider卷积的输出进行拼接融合形成点云特征数据，然后利用点云特征数据进行分类和分割。实验结果表明，相比于PointNet++、SpiderCNN等网络，所提网络可以提高点云的分类精度和分割效果，并证明了该网络具有更快的收敛速度、更强的鲁棒性等。
　　基于全局和局部相关性信息结合的点云分类网络。Linked-SpiderCNN虽然在点云识别任务中表现突出，然而它并没有考虑点云特征数据之间的高阶相关性信息。针对此问题，本文在超图神经网络(Hypergraph Neural Networks，HGNN)的基础上结合超图随机游走设计出基于全局和局部相关性信息结合的点云分类网络。首先将点云特征数据构造成超图，在超图上通过随机游走过程获得点云特征数据之间的全局相关性信息，同时利用超边卷积获取点云特征数据之间局部相关性信息。最后将局部和全局相关性信息进行拼接融合，并且将其输入到分类器。通过实验证明所提网络相比于HGNN等网络拥有良好的分类性能。