随着人工智能技术的革新、硬件技术的发展以及三维扫描技术的成熟,3D计算机视觉逐渐成为一个热门的研究方向。点云是3D计算机视觉中最常用的一种数据类型,其包含丰富的语义信息,具有海量、高精度和高密度等特性。点云已被广泛应用于自动驾驶、机器人感知、三维场景重构、AR/VR以及遥感测绘等众多领域。近年来,随着深度学习技术的兴起,基于深度学习的三维点云感知受到研究者们广泛关注,深度学习算法无论是在精度上还是算法鲁棒性方面相较于传统算法都具有很大的优势。在点云感知领域,点云的分类与分割是非常关键的研究问题,近年来有大量相关的研究工作被提出。但由于点云具有无序性、非结构化、不规则等特性,使得利用深度学习实现三维点云感知面临着不少难点和挑战,本文在参考大量文献基础上,以现有的基于深度学习的三维点云分类与分割算法为基础,提出了两种改进后的网络模型:1)结合图卷积和注意力机制的三维点云分类与分割模型。针对Point Net网络没有考虑点云局部信息的缺陷,在原网络中嵌入KNN图卷积层提取点云的局部特征,加强点云的局部表示。并借鉴图像中注意力机制思想,对点云全局特征进行注意力操作,以减少由于最大池化所带来的特征损失问题。2)具有方向和尺度感知的多层级三维点云分类与分割模型。针对Point Net++网络在构建点云的局部邻域时未考虑到点与点之间的方向信息这一局限,提出了八方向卷积模块并嵌入到原网络中,通过该模块可以对点空间中八个方向的邻近点进行卷积,同时自适应地选择合适的局部邻域大小,以进一步优化点云的局部特征提取。为了验证以上两种模型效果,本文在领域内广泛使用的Model Net40、Shape Net Parts、S3DIS和Scan Net几个数据集上进行了仿真实验,并与主流的深度学习网络,如Point Net、Point Net++和Point CNN等多种模型进行结果对比,通过实验证明了本文提出的两种网络模型提升了三维点云分类与分割任务的精度和鲁棒性。此外,本文最后也分析了两种模型的不足,为进一步改善其性能提供了一些想法,并提出了展望。