随着计算机视觉研究和工业生产技术的发展,现实场景感知技术已经在自动驾驶、室内机器人导航、场景识别等人工智能应用领域中得到广泛使用,其中语义分割技术是现实场景感知的关键步骤,它是指对场景数据进行逐元素的分类。以往的语义分割研究大多是面向图像的,而采用三维扫描设备采集的点云则是继图像视频等数据之后出现的新型数据,其包含更丰富的场景信息,目前面向点云的特征提取和语义分割已成为计算机视觉领域中的研究热点。常规的卷积神经网络在图像上已经被证明具有很好的表征能力,因此使用卷积神经网络对点云进行表征学习也是一种可行且有效的研究方向,但这其中仍存在一些问题。首先,图像是一种规则网格状数据,而点云是不规则且无序的数据,直接用常规的卷积神经网络处理点云会增加额外的计算成本,并且难以设计性能优秀的处理框架,因此需要面向点云设计新的特征提取方法来代替常规的卷积核。其次,目前基于深度学习的点云表征学习方向中,大多数研究着重于对点云特征提取方法的改进,而针对点云语义分割网络的研究则不太充足,在网络性能和对不同任务的适应性方面还有提升的空间。基于以上问题,本文对点云特征提取方法和点云语义分割网络进行了深入的研究,主要的研究工作及创新点如下:（1）首先,针对现有点云特征提取方法中,存在的点云位置信息与上下文信息的融合效果以及计算效率的问题,提出了一种基于空间分解核的点云卷积核。该卷积核将感受野内的点按照位置关系划分到多个子区间中,再对子区间中点集的上下文信息进行最大池化计算并与对应区间的权重相乘后求和,输出感受野内点的特征,从而实现高效率地将点云位置信息与上下文信息融合。其次,为了验证提出的点云卷积核有效性和计算效率,本文结合提出的点云卷积核,设计了一个用于分类任务的点云卷积神经网络作为对比模型。通过在公开数据集Model Net40上的实验,对比分析该点云卷积神经网络的预测精度、计算时间和空间复杂度,证明了提出的点云卷积核具有一定的有效性和计算效率优势。（2）针对点云语义分割网络的性能问题,设计了一种面向点云的高分辨率网络。其采用了本文提出的点云卷积核作为特征提取方法,借鉴了图像高分辨率网络HRNet构建骨干网络,并针对点云数据的特性设计了多个特殊模块以提升计算效率。在公开语义分割数据集S3DIS和分类数据集Model Net40上的实验结果表明,提出的点云高分辨率网络不仅可以轻易地应用到点云分类任务和语义分割任务中,而且在这两种任务中都具有优异的性能。同时,在S3DIS数据集上的实验也证明了该点云高分辨率网络对于一些几何结构相似的物体也有很好的区分能力。