三维点云通过目标表面的三维点集对空间分布与表面特性进行建模,它包含完整三维坐标,具有形式简单、精度高、规模大的特点。通过智能化技术对三维点云数据进行挖掘理解,能够捕捉人、物、场景的细微变化,实现对物理环境的感知和理解。近年来,随着三维传感器技术的进步和三维应用场景的拓展,三维点云语义分割得到了广泛关注,并且在自动驾驶、机器人、智慧城市、虚拟现实、遥感观测等诸多领域发挥重要作用。特别是深度学习技术的出现,使得三维点云语义分割取得了长足的进步。然而,现有的三维点云语义分割深度学习方法还存在两方面问题:（1）三维点云具有稀疏、无序、不规则、非结构化的特性,如何进行有效特征提取和语义表征;（2）三维点云能够转换成多种数据形式,如何针对不同数据形式设计对应的深度网络,如何利用多种数据形式的优势提升点云分割的性能。针对以上问题,本文以深度网络中的特征融合方式为研究线索,主要研究内容如下:（1）针对基于点的点云语义分割方法中,编解码器特征融合过程存在语义差异的问题,提出了带有局部聚合分类器的反向注意力点云语义分割网络。通过反向注意力融合机制将高层的编码器特征转换为注意力图,然后对底层编码器特征进行调制,从而提升底层特征的语义层次,弥合编解码特征之间的语义差异。此外针对基于多层感知机的逐点分类器缺少上下文信息的问题,在多层感知机中嵌入局部聚合图进行上下文交互,提升分割结果的局部一致性。实验结果表明该方法能够增强最终特征的语义区分度,提升分割结果的局部一致性,减少分割噪点。（2）针对基于点的点云语义分割方法中,点云密度和语义粒度组合方式有限的问题,提出了瀑布式特征融合的点云语义分割方法。该方法通过级联的多层网络得到不同密度的点云特征,并且通过子网络间的特征交叉融合获得丰富的点云密度与语义粒度组合方式。其中级联的多层子网络分别处理不同密度的输入点云,子网络间横向通过可学习的点云上采样方法提升点云密度、传递语义特征,子网络间纵向融合中间特征,得到密度相同、语义粒度不同的组合特征。实验结果表明,该方法能够提升点云密度和语义粒度组合方式的多样性,普遍提高简单物体和复杂目标的分割效果。（3）针对基于图像的点云语义分割中,投影过程造成的几何畸变问题,提出了几何信息注入的投影点云语义分割方法。该方法将点云的几何先验融入网络结构设计,从而提升分割过程的几何保真度。针对截断问题,利用循环卷积对被投影至图像两侧的近邻三维点进行特征聚合。针对错位和空像素问题,引入了双重几何约束,通过局部空间注意力对错位像素与空像素进行调制,减小其对卷积过程的影响,并且通过局部亲和正则化为中间特征提供中级监督,促进卷积邻域内的特征提取。实验结果表明,该方法能够缓解投影过程造成的几何畸变问题,从而提升点云语义分割的效果。（4）针对基于混合模态的点云语义分割方法中,多模态数据融合过程缺少语义关系和自适应性的问题,提出了点-图像-体素融合的点云语义分割Transformer。该方法通过Target-Attention和注意力融合实现三个模态数据的特征交互与融合。其中,TargetAttention度量点云-图像和点云-体素之间的语义关系,根据语义关系自适应地融合特征。注意力融合则根据几何信息和语义特征生成注意力系数,融合图像-点云和体素-点云特征。此外,多模态结果融合对各个分支的预测结果进行自适应融合,增加多模态数据交互路径。实验结果表明,该方法能够有效融合点云、图像和体素数据,取得更好的点云语义分割效果。