近年来,随着扫描技术的迅速发展,点云已经成为计算机视觉领域的研究热点,并逐渐发展为三维形状分析的主要研究对象。三维形状分析通过数字几何的算法,挖掘三维模型的几何特征、语义关系及模型的功能性。如何准确、有效地实现三维形状分析,是机器人感知、无人驾驶及虚拟现实等任务的基础,有着广泛的应用前景。三维形状分析主要包括模型检索,模型分割,语义对应,功能性分析等任务,而三维形状的局部特征能够准确地描述形状的局部几何结构,是三维形状分析任务的基础。点云的局部特征先前主要通过手工设计几何描述子进行计算。然而,随着需要处理的数据量大规模增长,基于传统手工定义特征的点云处理方法,无法在大规模数据集上进行精准及高效率的局部特征计算。随着深度学习理论在计算机视觉领域的迅速发展,点云的局部特征计算从传统手工定义特征转向了基于神经网络的深层特征提取。本论文基于深度学习模型提取深度特征,对点云进行局部分析。法线是点云的基本局部几何特征之一,法线计算对于三维表面重建有着重要作用,是几何处理中的一个经典问题。先前法线计算通常包含两阶段:法线估计和法线一致定向。而本文提出了一种数据驱动、端到端直接计算点云定向法线的模型。本文模型以点云中任一点的,具有全局信息感知能力的局部邻域作为输入,能够准确预测定向法线。为了增强局部特征的表示能力,模型还额外增加了一个局部解码器。另外,考虑到先前所使用的定向法线损失函数约束过强,本文将不定向法线损失和定向法线损失相结合,希望得到角度差更小、定向正确的预测结果。消融实验证明了本文模型各模块的有效性,并且与先前法线定向的方法相比,本文方法在各法线估计数据集上均取得了良好的结果。本文还在真实扫描点云数据上进行了测试,实验证明本文的方法在真实扫描数据上也能得到合理的法线方向,可以指导真实扫描点云数据的网格重建。