随着激光传感以及多视影像密集匹配技术的发展,三维点云数据大量涌现,为利用计算机对周围三维环境进行分析和理解奠定了坚实的数据基础。如何对这些海量点云数据进行智能化（自动、高效、可靠）的特征学习与表达,是实现三维理解（包括三维物体识别、语义分割及三维物体生成等）亟需解决的关键问题。然而,面对三维点云大数据,传统三维点云特征描述子面临严峻挑战:1)三维点云具有数据海量、场景复杂、地物种类繁多以及物体结构复杂等特点,传统低层特征往往难以对三维点云内容等高阶语义信息进行准确描述;2)传统低层特征需要针对不同类型的地物进行人工设计提取,智能化水平低,难以适应密度不均匀、含有大量噪声、存在局部数据缺失和遮挡等的现实复杂情况。近年来,深度学习凭借其强大的特征学习能力,已在图像理解等领域引起学术界的广泛关注并取得了丰硕的成果。鉴于传统人工设计的三维点云特征无法描述高阶语义信息且难以适应复杂实际情况等问题,论文通过对二维规则卷积本质的深入探究,主要研究如何将规则图像上的深度学习方法推广到不规则的三维点云上进行特征学习,为利用计算机对三维环境进行分析、理解奠定基础。具体而言,本文的主要研究工作如下:（1）基于多尺度混合卷积的三维点云语义分割。将卷积深度网络应用在点云上的最直接方式就是将三维点云空间体素化,然后将二维规则图像卷积推广到三维点云进行特征学习。然而,不同于二维图像规则、紧致的信息组织方式,三维点云实际只记录三维物体的表面信息,这就导致空间中的多数体素为空,带给三维卷积网络不必要的计算浪费。实际上,卷积可视为一个对邻域点信息进行加权组合的过程,邻域点间的相互影响程度随空间距离增大而衰减。因此,论文对距离较远的邻域空间进行较粗尺度的离散化,使其能够反映邻域的整体情况,而对距离较近的邻域空间进行细尺度的体素化,使其能够关注点云的细节结构,并基于此提出了多尺度混合的三维卷积,不仅能够提高所提取特征对点云噪声等干扰的鲁棒性,同时减少计算浪费。（2）基于可变形点核的三维点云分类与分割。针对点云空间体素化造成的计算浪费以及传统点云局部特征描述子无法适应复杂实际情况的问题,论文提出了一种基于可变形点核的点云几何特征学习方法。卷积的本质实际上是一个模版匹配过程,卷积核在信号上滑动并对其感兴趣的区域进行响应。在三维点云中,我们可直接利用三维点来形成一系列具有特定几何结构的“模板”,并通过将这些几何模板与点云局部邻域匹配的方式来探测和捕捉三维点云中存在的几何结构。同时,为了能够适应复杂的实际环境,每个点核都由一组可学习的三维点所构成。在训练过程中,通过不断调整各点的坐标,使得这些点能够在空间中形成一定的几何结构和形状（如平面、拐角等）。由于该方法直接在邻域点上进行操作,从而避免了点云体素化所带来的计算浪费,同时保证了对点云中几何结构的有效描述。（3）基于注意力卷积的三维点云语义分割。上述三维点云卷积的参数实际均由邻域点的相对位置决定,根据局部三维点所构成的空间结构,卷积核给各邻域位置（如左上角、右下角等）分配对应的卷积权重以对窗口内的邻域信息进行综合。然而,这种基于邻域空间关系的卷积方式忽视了邻域点间的特征差异,例如,当空间中的两个物体“桌子”和“椅子”相邻时,交界处提取到的特征就会因相互污染而无法对这些物体进行准确分割。因此,本文提出了一种注意力卷积,通过同时顾及邻域点相对位置与特征差异的影响来给每个邻域点动态分配不同的注意力权重,从而使得卷积核的形状能够自适应空间物体的结构、学习到的特征能够更加专注地对当前物体进行描述,进而实现高精度的点云语义分割任务。（4）结合共形映射与对抗自编码的三维物体生成。三维物体生成是实现智能化三维理解的更高目标,需要按照指定的约束条件创造相应的三维物体,可看作是特征编码的逆过程。当前直接将三维点云体素化并将二维图像生成网络扩展到三维的方式不仅限制了所生成三维模型的分辨率、且带来巨大的计算浪费。实际上,点云仅记录三维物体的表面信息,这使得三维点云只构成一个嵌入在三维空间中的二维流形曲面。因此,本文先利用共形变换将三维物体点云映射到二维规则平面上,从而将三维物体的生成问题转化为二维图像生成问题,并最终借鉴二维图像的生成网络来实现三维物体生成的目标。