随着深度传感器和三维扫描仪的普及,三维点云得到了迅速发展。基于深度学习的三维场景理解已经成为一个研究热点。三维场景的点云数据处理包括目标分类、目标检测、实例分割、语义分割。在这些任务中,目标分类和场景语义分割都是目前研究的热点。然而,在处理点云数据时存在一些挑战。由于点的非结构化和无序性,使得研究者很难直接捕捉到点与点之间的复杂关系,一些网络只考虑到了原始坐标和单个点的特征信息,没有充分关注点云局部几何关系和特征的获取,从而忽略了很多空间几何信息。为了丰富点的特征表达,捕获更多的上下文特征,本文分别提出了两个方法来增强3D点云的特征表示,主要内容包括:1)提出了一个用于点云的目标分类和语义分割的深度卷积网络。该网络设计编码单元来编码每个点八个方向的信息、局部点的原始坐标和相对坐标信息,使得在采样和分组操作之前,每个点的特征就包含了其邻域点的特征;随后,通过最远采样法和球查询进行分组,得到了点的局部区域,通过构造图注意力模块来丰富局部点的特征表示,最后使用pointnet网络进行局部区域的特征提取,使得最终融合得到的中心点特征不仅包含自身原始特征,还包含了周围点的特征信息,有利于学习点云复杂的局部结构特征;此外,该网络还提出了一种新的多维损失函数,将经典的交叉熵损失函数与中心损失函数结合在一起作用于分类任务。2)提出了一个学习点云全局和局部特征表示的分类和分割网络架构。为了解决点云初始特征表达不充分的问题,该网络提出了数据增强模块,对于每个输入点,将周围邻域点的特征作为其上下文信息,以丰富点的语义表示。该算法还设计了特征卷积层,通过K最近邻查找方法查询每个点的邻域点,形成局部区域。对每个局部区域构建最近邻有向图来表示点云的局部结构,通过生成边缘特征和方向特征来动态捕捉变化点之间的几何关系。对于采样分组形成的局部区域,设计了局部特征增强模块来丰富局部点的特征表达。以上两个算法在数据集Model Net40、Scan Net和S3DIS上进行了大量实验,实验结果表明,无论是在分类还是语义分割任务上,本文提出的网络都表现出了优异的性能,可以将本文提出的模型应用于室内场景设计和布局分析等一些实际场景。