近些年,随着点云数据获取技术的不断发展,获取三维数据的方式也是呈现越来越多样化的趋势,使得在基于点云数据处理方面研究有了很好的基础。基于三维点云数据的三维重建、配准、形状分类以及场景分割等已经成为国内外众多学者和专家的热点研究问题,并且在海底军事、机器人视觉以及自动驾驶等方面有着重要应用。形状分析主要是通过估计对象的边界,分析这些边界的形状特征,并根据形状特征来确定原始对象。点云数据是物体形状的一种灵活的几何表示,而对于形状分析来说,目前的点云形状分析流程一般是对点云数据进行滤波和精简操作之后,对含有形状的点云数据进行分类识别或者其他方面的研究;目前研究一直缺少对于点云数据形状检测的先验判断;通过对点云数据形状存在的先验判断,忽略不存在形状的点云数据的无效操作,可以避免点云形状分析系统中非必要的资源浪费;目前对点云数据形状分类问题的研究,经历了从开始的多视角、体素以及到最近直接在点云数据上的点云分类的发展历程,然而当前提出的模型多数存在参数较多,训练时间较长的问题。本文的主要研究内容包括以下两个方面。一是针对目前研究一直缺少对于给定点云数据判断形状存在与否的先验检测,在基于空间点分析中的Ripley’s K function的基础上设计了形状检测方法,在2D和3D点云数据进行实验,验证了基于Ripley’s K function设计的形状检测方法对点云形状判断的有效性。二是针对目前点云分类模型存在参数量较多,模型训练时较长的问题,提出了一种轻量级点云分类模型Light Se Dg CNN。基于当前最新的DGCNN模型,通过实验优化模型的结构,引入SENet模型改善参数减少带来的模型分类能力降低的影响,最后在Model Net数据集上进行实验,结果表明Light Se Dg CNN可以在更少的模型参数以及训练时间下取得89.81%的分类准确度。