点云分类算法是计算机图形学和计算机视觉领域中的研究热点之一。三维点云数据重要特点是比较容易获取,能够提供丰富的三维物体或场景的几何、形状与尺度信息,是三维空间信息的重要表现形式,相比三维网格更容易被神经网络处理,被广泛应用于场景重建、城市规划和金融等领域。深度学习技术在不断的探索与发展中逐渐被应用于各个领域中,然而深度学习依赖于大量数据训练模型,在实际应用场景中直接用深度学习来处理点云问题会面临许多挑战,例如点云数据集规模不足、样本分布不均匀,手动标注点云数据耗费大量人力物力,点云分类网络泛化能力弱的问题等。本文针对三维点云数据的实际应用场景中数据集样本少、网络泛化能力弱等局限性,探究了小样本数据集下的点云数据分类方法,提出了基于MAML算法的小样本点云分类方法。本文的主要研究工作和创新点如下:1、针对训练数据集不平衡问题,本文提出了相似度依赖的Dirichlet中餐馆过程（Similarity dependence Dirichlet Chinese restaurant process,SDCRP）对数据集进行预处理,该方法从数据类内相似性与数据多样性的角度出发,利用基于Dirichlet分布的中餐馆过程在无需人工指定聚类个数的条件下对样本进行重新聚类,以提升分类网络在小样本数据集上的性能。经实验证明,该方法与未进行数据预处理的网络模型相比分类准确率提升1.2%。2、传统的点云分类深度学习方法（如PointNet++）依赖于大量标注样本才能训练到较好的模型参数,而在样本数很少的情况下很难达到较好的分类精度。本文将元学习中的经典算法—与模型无关的元学习方法（Model-Agnostic Meta-Learning,MAML）与 PointNet++结合,通过 MAML 方法来训练 PointNet++网络以达到用少量点云数据快速适应新任务的能力。该方法降低了模型对数据量的依赖,提高模型泛化能力,成功地把MAML方法从二维图像分类拓展到三维点云分类中。在Modelnet40数据集上经实验验证,该方法与PointNet++相比其训练时间减少了一半,其分类准确率平均提高6.67%.3、针对SDCRP方法在处理数据集过程中依赖部分已知标签的分类边界样本的问题,本文提出基于行列式点过程（Determinantal Point Process,DPP）优化采样的方法,通过DPP和Nystrom改进的抽样方法对无标签训练集进行建模筛选出一组多样性子集,同时结合Dirichlet过程中的中餐馆模型作为先验分布形成元训练集,使得生成的每类训练数据更具有代表性和合理性,从而提升小样本数据下的分类准确率。通过在公共数据集上进行实验验证,该方法具有较好的泛化能力与可迁移性。