三维点云已被广泛应用于自动驾驶、智能检测等诸多领域,其高效精准地分割是实现良好应用的基础。传统的分割方法需要人为手动筛选特征,存在效率低且依赖人工先验知识、分割精度不高、无法处理大规模场景等缺点,深度学习网络的发展为解决上述问题提供了技术支撑。目前的深度学习分割方法过多注意网络构建,从全局与局部去考虑特征的提取,并不关注数据的类别属性与特征的重复提取;或者将点云转换成其他形式（如体素）后进行卷积,不仅会丢失结构信息还会给计算资源带来极大负担;这些做法都导致网络结构复杂但分割精度却没显著提高。因此,本文从数据性质与特征重利用出发,设计了一种新型轻量语义分割框架CSegNet,以提高场景分割精度与准确度为主线,达到高效率、智能化以及自动化的处理效果。主要研究工作及结果如下:（1）全局与局部特征提取模块的构建。针对PointNet系列局部特征利用不充分的问题,建立逐点卷积Point Conv作为主干编码器来替换PointNet中的MLP模块进行特征提取,其中权重函数与密度函数分别通过MLP与核密度估计学习所得,最后通过矩阵运算得到点的局部区域特征,使得网络能够更加有效地提取点云的全局与局部特征。（2）偏移注意机制的引入。为了改善分类物体错误的问题,提出对点云进行偏移的操作,通过偏移注意机制模块学习采样点到其质心的偏移量,再将所有坐标点根据偏移量向质心汇聚平移得到新的类别点输入下一层网络,使得网络在分割时能起到聚类的效果,从而帮助网络更好地学习同类物体的特征,提高语义分割精度。（3）重利用边缘卷积模块。为了改善场景分割物体边缘不平滑的问题,提出采用边缘卷积重利用的方法来捕捉边缘特征信息,通过不断动态地更新图,对采样点使用KNN算法找到距离最近的K个点依次计算边特征,再使用共享网络来更新得到K个特征,最后用最大池化操作将K个特征整合成1个新特征。进一步加强了网络对点云边缘特征的提取,并将特征重复有效利用,能平滑分割物体的边缘。（4）语义分割网络CSegNet的搭建。网络由两个阶段构成,每个阶段都包含了与PointNet++类似的编码结构,但点云特征提取方式则采用逐点卷积。其中第一阶段进行特征学习,去预测每个点的质心坐标偏移量,然后利用偏移注意机制在第二段中叠加原点云坐标信息来分割点云中的每个点;第二阶段编码部分加入边缘卷积模块,解码都采用反卷积操作Point Deconv。（5）通过S3DIS和ScanNet数据集验证CSegNet网络的性能。结果表明,CSegNet在S3DIS数据集上的分割达到了88.7%的总体准确度以及73.7%的平均交并比,不仅在大物体上分割准确,而且在面对小物件杂物的分割,CSegNet网络比PointNet++的准确度还提高了9.8%;在ScanNet数据集上的平均交并比为52.6%,各类元素分割准确率良好。在两个数据上的优越表现说明了CSegNet算法的鲁棒性与泛化能力更强,偏移注意机制的引入以及边缘特征模块能够比之前方法更加有效地利用点云特征。