在机器人技术、三维重建和自动驾驶等工程应用中,三维点云分割是实现机器人抓取、快速曲面重构和模式识别成功应用的关键环节,是人工智能领域的重要研究方向之一。其中,Point Net++、Point CNN和Point SIFT等主流点云分割算法克服了点云的无序性、不规则性和稀疏性对卷积操作的限制,利用深层神经网络对点云进行有效的特征提取,实现三维点云分割、理解。然而,该类算法受限于采样方式和特征提取算子的表征能力,进行更精细的三维模型分割时容易出现边界混淆、分割精度不高的情况。为了实现三维点云模型的精确分割,本文提出了基于深层神经网络的三维点云细粒度分割算法,其根据语义特征,结合具体的应用对象,将三维模型分割成不同组成部分。本文主要研究内容和创新点如下:(1)为了增强神经网络对几何特征复杂位置点云的注意力,提出了基于曲率估计的最远点采样(Curvature Estimation Based Farthest Point Sampling)算法,简称为C-FPS。在估计三维点云高斯曲率的基础上,C-FPS区别于现有的最远点采样算法对三维点云进行非均匀采样,即在采样点数不变的前提下,几何特征复杂位置的采样点更加稠密,反之较为稀疏。该方法有利于强化神经网络对特征复杂位置点云的特征提取能力,为后续的细粒度点云分割提供依据。测试案例表明,C-FPS在不增加可学习参数的情况下,让点云细粒度分割的平均交并比(Mean Intersection Over Union,m Io U)至少提高了0.9%。(2)针对当前主流的点云分割算法对三维点云表征能力不足的问题,提出了-(89)算子及其对应的Point X-SIFT三维点云分割算法。-(89)算子首先用变换矩阵对输入的点云特征进行空间变换,得到有利于特征提取的空间分布;然后,将变换后的点云分为x、y、z三个方向进行特征提取,并由神经网络确定各个方向的特征权值。Point X-SIFT分层次地堆叠-(89)算子,提取、传递不同层次的点云特征,实现细粒度的三维点云分割。公开数据集分割实验表明,Point X-SIFT比Point Net++、Point CNN、Point SIFT三维点云分割的m Io U分别提高了2.9%、1.0%、0.8%。(3)为了让Point X-SIFT能根据不同的数据集,自动地挑选合适的超参数配置,以获得峰值分割性能,本文基于TPE(Tree-structured Parzen Estimator)超参数优化方法设计了Point X-SIFT自适应构造框架。该框架将Point X-SIFT的超参数配置和测试集损失函数之间的映射关系视为黑箱函数,利用TPE优化方法指导、优化概率代理模型拟合该黑箱函数,实现Point X-SIFT的自适应构造。在CAD零件的三维点云细粒度分割实验中,自适应构造框架迭代50次后,其构造的Point X-SIFT*比按经验值构造的Point X-SIFT的分割m Io U提高了2.7%。