三维场景语义描述是计算机视觉和自然语言处理在3D领域的交叉研究,在室内机器人导航、辅助视障人士等方面存在巨大的应用前景。目前,2D领域存在很多视觉-语言的交叉研究,而3D领域尚未得到深入的探索。随着3D数据的不断普及,更多的研究工作开始在3D领域展开,包括三维场景语义描述生成任务。当前该研究工作还处在发展的早期,因此存在一些亟待解决的问题,如:对场景中的多个物体进行描述,需要提升3D目标检测的精度;三维场景的空间感知能力不足,无法辨别左右等位置关系;生成语句的精度、召回率不高,会产生很多无意义的描述结果。本文的研究目标是使用深度学习技术从室内点云数据中进行更准确的三维场景语义描述生成。本文提出了一种基于点云数据的室内三维场景语义描述生成算法框架,分为3D目标检测和三维场景语义描述生成两个阶段。本文首先对3D目标检测算法进行优化,旨在提升检测的精度以实现对三维场景中多个物体的描述。随后,为了更全面地捕捉三维空间关系特征,不仅要考虑场景中物体间的局部空间关系,还要考虑物体和整体的全局空间关系。为此,本文提出了基于视角变换的多尺度场景感知模块,结合消息传递机制和自注意力机制来挖掘不同尺度的空间关系特征。此外,为解决从视觉感知到语言输出的过程中存在语义鸿沟问题,本文提出了基于特征迁移的token分类器来缩小视觉和语言的域间差异,进而生成更准确的描述语句,实现对三维场景更深层次的理解。最后,本文针对上述方法展开消融实验和对比实验,在主流数据集上与现有方案进行对比,总体上,本文方法取得了较为显著的提升。