本研究针对自动驾驶和机器人领域中,汽车或机器人对大场景中小目标的高效和精确感知问题展开研究,在分析和总结现有方法的基础上,基于Point-Voxel CNN网络,研究点云相关性优化方法,提出一种新的三维特征提取网络PVSCNN（Point-Voxel Submanifold Sparse Convolution）,使用子流稀疏卷积实现高效和深层地提取局部信息,以提高场景点云之间的相关性,从而达到提高对场景中目标的感知效率和精度的目的。本论文的贡献可以概况为三个方面:（1）研究基于点云数据的三维卷积网络,分析现有三维卷积网络的特点,针对体素卷积效率低和点云卷积相关性差的问题,本研究对基于Point-Voxel的方法展开探索,以有效地利用体素卷积来提取局部特征和利用基于点的方法提取全局特征。从而在高效率和低内存占用的情况下实现有效的三维数据的特征提取。（2）研究点云相关性优化的方法,为了提高局部特征提取的性能和效果,本文提出PVS-Conv轻量卷积模块,采用子流稀疏卷积对局部信息进行处理,通过更新哈希表和特征矩阵的方式来实现快速、低内存占用的卷积,从而更加高效和深层地提取点云的局部特征。将本文提出PVS-Conv轻量卷积模块与PV-CNN结合,提出一种新的三维卷积网络PVS-CNN。将PVS-CNN在语义和零件分割数据集上进行评估,实验结果表明论文提出的PVS-CNN比PVCNN快了3.6倍,GPU内存占用仅为PVCNN的0.55倍。此外,在目标检测上,与F-PVCNN相比,论文提出PVS-CNN在时间效率和检测精度上全面优于F-PVCNN,表明了本文设计的方法针对大场景下的小目标也十分有效。（3）设计实际移动机器人验证平台,将本文提出的PVS-CNN应用于移动机器人大场景感知的应用中,通过固定于移动机器人上的激光雷达采集实时场景点云信息,将实时点云作为PVS-CNN网络的输入,验证机器人对实际大场景中小目标的检测效果以及对噪声的鲁棒性。实验结果表明:在实际场景的目标检测上,本文提出的方法在速度和精度上均超越了现有主流方法F-PVCNN和F-Point Net。证明了本文方法的有效性。本文通过对点云的相关性优化方案进行研究,实现了有效且快速的分割和目标检测。将本文的方法落脚到实际应用,实现了对存在噪声的大型场景的特征提取,通过实验证明了本文的改进方案是有效而快速的,并且有效解决了大场景下小目标特征提取的难题。