近年来,随着传感技术的发展和点云数据量的迅速增长,三维点云被广泛应用于自动驾驶、室内导航、AR/VR、城市建模等众多领域。在实际应用中,往往通过提取点云的低层次特征为高层次的感知问题提供基础依据,其中,点云的边缘线结构作为一种简洁而富有表现力的三维模型表达形式,在三维建模、配准、定位等任务中起到了重要的作用。然而在现实场景中,三维点云的边缘提取任务具有很大的挑战性。第一,点云数据非结构化、不规则的特点使得直接处理点云数据具有难度;第二,真实场景的点云数据规模巨大,且遮挡、噪声等因素会影响点云质量;第三,很难通过形式化规则对三维点云的边缘轮廓进行定义。目前针对三维点云边缘提取的研究仍有较大的改进空间。本文提出了三维点云边缘提取的深度学习网络,并且进一步从拓扑约束的角度深入研究,最终目的是设计一个基于深度学习的拓扑感知的三维点云边缘提取算法。本文的主要工作和贡献包括:1.提出了一个基于生成对抗网络的点云参数化边缘提取网络3D-GMcGAN（3D-Guided Multi-conditional GAN）,使用将点空间转换到参数空间的操作以及引入初始引导的方法,提升网络性能。该方法避免了对点云边缘进行复杂定义的同时引入了语义信息,使得提取的点云边缘更符合人类感知。另外,本文建立了一个带有边缘线段标注信息的大型数据集,可作为点云边缘检测任务的基准数据集使用。2.设计了一个拓扑损失函数,将拓扑学中的持续同调理论引入到深度学习的框架中,从拓扑结构的角度对预测结果进行优化,并设计了两种通用的方式将拓扑损失函数简单地嵌入到已有的点云分割网络中,提升原有网络的分割效果。3.提出了一个基于拓扑感知的点云边缘提取算法,通过拓扑感知的点云分割网络进行边缘点提取,使用带有虚警过滤的线段分组拟合算法对边缘点进行线段拟合。该方法在有噪声的情况下也能够较好地检测边缘,具有较强的鲁棒性。