对二维图像的中粒度分割,即图像过分割或是超像素分割已经是一个成果丰硕的研究方向。在深度学习方法未成为主流之时,超像素分割通常被作为特征提取步骤之前的降采样步骤为图像完成预分块,降低后续分割任务的难度。在三维点云领域,与二维超像素分割相似的中粒度分割则通常被称为面片分割。面片分割大多依赖无监督聚类算法。通过对输入特征权重、聚类顺序的参数进行调谐,算法能够获得不同的的面片分割结果。对点云的分割是三维点云研究中的一个重要内容,其通常可以分为语义分割与实例分割两个具体任务。不同于二维图像中像素的规律分布,三维点云数据通常是杂乱无序的,以不规则的形式分布于三维空间之中。通过三维扫描成像设备获取的点云数据多存在密度不均匀的问题,且无法对点云点数进行固定、无法直接输入到现有深度神经网络中进行训练与识别。所以,我们希望设计一种点云中粒度过分割解决方案,不仅能够精确指定分割后的面片数,也能够具有广泛的适应性和简单的参数调节要求,从而为后续的目标语义分割及实例分割任务服务。另一方面,由于传统机器学习方法的局限性,现有的二维超像素分割方法无法被集成到深度学习框架之中,提高算法的分割性能。学界已有使用神经网络在图像上直接生成超像素的尝试,但此种方法生成的超像素对图像中的不规则纹理有着较强的敏感性,形成的超像素划分边缘平滑度与规整性仍不理想。三维点云面片过分割领域则缺乏使用深度神经网络进行分割的尝试,现有对点云进行面片过分割的算法多集中在传统机器学习领域。这些算法严重依赖调参,且泛化性很差,无法完全控制过分割得到的面片数量。我们专注于对有监督二维图像超像素与三维点云面片分割通用深度学习框架的研究,注重二维超像素与三维面片分割结果规整性的提高,取得了以下研究成果:（i）设计了一种可以兼顾图像超像素分割和点云面片过分割的两段式通用性深度学习框架。通过更换其前段网络的架构,可以自由实现二维图像超像素分割或是三维点云面片过分割,框架前段专注于深度神经网络特征的生成,后段则负责执行具体的超像素分割或面片分割,其可导性与适普型使其可以被插入到现有的多种主流的神经网络之后。（ii）针对目前有监督的超像素（或面片）分割方案（如SSN）规整性不强的问题,提出了使用传统分割方法生成的超像素（或面片）作为真实值指导网络,对网络生成的超像素（或面片）施加规整性约束的方法。实验结果证明这种新型的训练方式可以用很小的分割准确性代价换取规整性的飞跃式提高。（iii）在我们提出的框架中,提出以并行点级别迭代聚类算法模块作为框架后段（Parallel Point Simple Linear Iterative Clustering,简称PPSLIC）的中粒度分割方法。由于其可导性和广适应性,其可以被嵌入到现有的多种二维图像深度学习和三维点云深度学习网络后,利用网络提取得到的深层次特征,指导超像素和面片的迭代式自动聚类。特别地,我们把本框架中对三维点云的面片分割的特定方案称为3DFON（3D Facet Over-segmentation Network）。实验表明,我们基于框架提出的三维点云面片分割网络在分割性能指标上要优于传统的无监督三维点云面片过分割方案。