随着扫描测量和计算机技术的不断发展,日常的二维图像测量扫描已经不能满足人们测量的要求,点云数据是三维图像存在的比较常见的形式,相对于二维数据,它能够更加高效存储三维物体详细信息,而激光雷达、Kinect等新型的三维传感器出现,使得点云数据收集会更加的便利,三维点云应用也会越来越广泛。但是目前的点云数据仍具有无序性、稀疏性的特点,并且一些小规模的点云数据集包含的信息及数量有限,所以通过点云数据预处理中的去噪填充及点云分割解决点云数据无序性与稀疏性的问题,通过迁移学习将大规模数据集上预训练好的模型及其权重参数迁移到小规模点云数据集上,以此解决点云数据信息有限及小样本数据量的问题。本文算法主要研究内容如下:（1）基于迁移学习的点云特征融合算法:首先构建三维Alex Net、VGGNet-16、Res Net50卷积神经网络进行特征提取,其次特征提取在分类任务中占据很大的比重,但是采用单模型完成特征迁移时,迁移的特征不能完全作用于目标域,目标域以及源域的数据特征会有一定的区别,要学习到完全匹配的特征比较难。此外,卷积神经网络模型的结构、参数以及在进行迁移学习时采用的迁移策略不同,都会导致结果的变化,所以只选择最合适的卷积神经网络进行特征迁移并不能满足实验所需,本文采用集成学习的思想,构建基于迁移学习的点云特征融合算法,对具有可迁移性的卷积神经网络模型在源域进行预训练,对预训练完成的模型进行特征提取,并根据不同模型提取的不同特征进行互补,再对提取的特征进行融合,最后利用分类器进行分类;并且对不同的迁移策略在进行特征融合时的影响进行探究,然后在点云数据集上进行实验,证明了本文提出算法的有效性。（2）构造迁移分类器:一般利用迁移学习在进行分类时,大多数将迁移过程作为分类任务前预处理的环节,由此迁移的过程和分类模型的优化是分离的;导致分类器在获得最优参数的时候会受到影响,本文构建的迁移Softmax算法,通过把联合分布的调整机制引进Softmax的目标函数中,将迁移过程和分类模型参数优化统一起来,使得在进行分类任务时更加有效。从实验结果看出基于迁移学习的点云数据分类算法在稳定性和收敛速度相对于传统的SVM算法以及Point Net算法都要好,并且算法精度较高,在加入改进的Softmax函数之后算法的精度有了进一步的提升。