近年来,随着激光雷达等三维数据终端采集设备的发展,获取三维点云数据变得更加方便。三维点云语义分割作为场景理解的基础技术,其已经成为增强现实、智能工厂以及无人驾驶等领域的研究热点。虽然三维点云数据可以有效的保留空间原始信息,但是也具有几何不变性、置换不变性以及非结构性等特点。神经网络在提取点云特征时容易造成其点间信息和空间信息的损失,导致难以挖掘三维点云数据深层次的特征信息。本文针对点云语义分割任务和以上问题进行了研究,具体工作如下:（1）由于三维点云数据中点与点之间存在着关联关系,在提取三维点云空间特征时难以挖掘其空间特征,并且神经网络在训练过程中可能会出现梯度消失问题。针对以上挑战,设计了一种基于残差多感知机与注意力机制的点云语义分割网络。该神经网络直接以三维点云数据作为输入,通过特征提取模块获取点云特征。在点云的特征提取模块中,残差多感知机可以将浅层特征传递到深层网络中,在一定程度上可以避免点云语义分割网络在训练过程中出现的梯度消失等问题,提高其学习效率;在特征提取模块中引入注意力机制可以有效的关注到点之间的重要程度,强化点云语义分割网络的学习能力。该神经网络在Shape Net数据集上进行训练并进行验证,实验结果表明,分割精度能够达到85.7%,与Point Net和Point Net++基准网络相比,该神经网络具有更快的收敛速度,在分割精度上分别提升了2%和0.6%,表现出较为不错的分割效果。（2）针对局部点云和全局点云的特征融合问题,设计了一种基于特征融合的点云语义分割网络。该神经网络将分别提取点云的全局特征和局部特征,然后将全局特征矩阵和局部特征矩阵输入到一个特征融合模块中,输出一个更具有表达能力的点云特征矩阵,最终通过对点云的分类实现对点云的语义分割任务。考虑到局部点云点之间的相互作用关系,在局部特征提取模块中采用图卷积的方式进行特征提取。并且在该网络中引入通道空间双注意力机制,可以赋予关键点更大的权重,挖掘三维点云的空间几何特征。实验结果表明,该点云语义分割网络在S3DIS数据集和Semantic3D数据集上的总体分割精度能够达到85.1%和91.8%,同时,该网络尽可能的减少了参数数量,减少了计算量和加快了网络的收敛速度。