随着点云获取技术的日渐成熟,点云处理领域也吸引来了越来越多的研究者,通过对传统的点云算法研究,人们发现大部分点云问题偏向于使用均匀且致密的输入。由此,研究者们提出了点云上采样（点云超分辨率）的概念,旨在由稀疏、不均匀、嘈杂的输入生成一个更密集的点集;最重要的是,这个点集需要贴合输入所表示的潜在几何表面,且需分布均匀、符合人眼视觉感知习惯。传统的点云上采样方法往往基于表面局部平滑等约束进行优化,难以适应复杂的模型结构。随着近年来深度学习技术的快速发展,研究者们尝试使用网络训练的方式处理该问题。比如PU-Gan、MPU、Dis-Up等工作对单一倍率点云上采样问题进行了深度挖掘,取得了较好的效果。但单一倍率上采样模型一次训练只能处理一个比例系数的上采样任务,效率低、成本高,使得其在实际使用中受到很大限制。Mate-Up模型虽然解决了任意倍率上采样问题,但该方法忽略了全局一致性,导致生成的模型布满孔洞。针对上述问题,本文构建了一个端到端网络,适用于任意倍率的点云上采样问题。对本文的主要工作总结如下:（1）本文针对点云任意倍率上采样问题研究,构建了一个新的方法,通过多倍率联合训练的方式处理该任务。另外,本文还设计了一个采样率编码模块,将不同倍率以编码的形式嵌入到输入特征中,进一步引导网络对不同的采样倍率进行区分。（2）本文通过研究自注意力机制的作用,提出了一种新型联合残差注意力模块,设计了一个新的近邻权重模块编码全局与局部信息,获取空间权重矩阵,并串联一个压缩激励模块,对通道特征进行提取。通过对全局和局部信息的空间注意力与通道注意力串联编码,保留了模型的重要几何特征点,从全局到局部渐进式的指导学习,在点云局部分布均匀的同时,保证全局分布的连贯性,最终生成稠密且均匀的结果。（3）本文对还为任意倍数上采样问题提供了详尽的数据集处理方案,详细描述了数据集选取、采样、分片、多尺度下采样等各个步骤。在本文的最后,将提出的基于注意力的任意倍率上采样方法分别应用在带尖锐特征的模型和平滑曲面模型上,发现得到的结果均比现行方法更均匀,建模效果更好。最后,从实验定量指标和可视化效果比较得出,本文的方法解决了现行方法会导致生成模型中出现孔洞的问题,能够生成任意倍率且局部均匀、全局一致的点云上采样结果。