点云处理在计算机视觉领域是一个重要的研究方向,被广泛应用于智能驾驶、机器人技术和智慧城市等领域。以Point Net为代表的点云处理方法采用共享权重的MLP提取点云特征并通过最大池化对称函数聚合特征以解决点云的无序性问题,并且在当前的点云形状分类和点云形状部件分割基准中取得了具有竞争力的结果。但在点云特征提取的过程中,通道数不断增加,总有一些通道包含不利于特征提取的无用信息,且在点云中总会存在一些关键点对形状识别至关重要,它们应该给予更多的关注。同时,采用最大池化对称函数聚合特征只保留了点云特征的最大值,造成了大量特征信息损失。针对这些问题,本文做了以下工作:（1）引入通道注意力机制来帮助网络自动选择包含有用信息的通道。Point Net使用共享权重的MLP将点云特征从低维空间映射到高维空间,这会导致点云特征通道数增加,而有些通道会包含大量对特征提取不利的冗余特征。本文在网络中引入了通道注意力机制,通过给与那些有用的通道更大的权重,从而选择有用通道,同时抑制那些包含大量冗余特征的通道。（2）提出关键点注意力机制来帮助网络自动选择点云数据中的关键点。本文从人类对点云形状的认知角度出发,发现只需要一些关键点,人们就能正确的识别点云形状,即对于点云数据来说,存在一些关键点,这些关键点对于形状的识别十分重要。因此,本文提出了关键点注意力机制,它可以赋予点云中的关键点更高的权重。（3）提出高阶统计量聚合（High-order Statistic Aggregation,HOSA）模块来帮助网络聚合更具有代表性的特征。大多数基于点的点云处理方法都简单的采用了最大池化或是平均池化来聚合全局特征,从统计学的角度来看,最大值或均值只描述了随机变量特征的一个方面,而在这个过程中忽略了随机变量概率分布的许多细节。为此,本文提出了高阶统计量聚合模块用于替换最大池化或平均池化对称函数来计算并聚合多个高阶和低阶统计信息。（4）对本文提出的HOSA网络进行了理论分析,从理论上证明了网络对连续集函数的一般逼近能力,同时还对网络的稳定性进行了理论分析。在点云形状分类和形状部件分割数据集上依据分类正确率和部件分割m Io U两个标准,与其他点云处理算法进行对比试验,同时进行了消融实验,针对点云数据丢失和噪声进行了鲁棒性研究。实验结果表明,本文提出的方法能有效提高网络的形状分类和形状部件分割性能。