近年来,VR/AR,自动驾驶和智能机器人领域的飞速发展,离不开三维场景的识别和理解任务。对于上述领域来说,识别和理解三维场景任务就像视觉系统一样,指导着机器与三维现实世界进行交互,如果视觉系统能很好的识别与理解场景,那么对后续的交互算法将带来极大的帮助。经典的场景识别和理解任务有语义分割,目标检测,实例分割等,这几个任务是对场景的不同层次的理解。语义分割是识别场景中每个点所属的语义类别,目标检测的核心任务是识别物体在场景中的准确位置,本文的主要任务点云的实例分割是识别场景中每个的点的语义类别和实例归属,也就是从最细粒度来识别和理解场景,得到了场景中每个物体的语义类别和位置信息,这样机器在视觉系统对现实世界的感知能力就能进一步接近人类。点云的实例分割和语义分割虽然是对场景的两个层次的理解,但是这两个任务存在着密切的关联,如一个最简单的观察,属于同一个实例的点那它们一定属于同一个语义,属于不同语义的点那它们一定属于不同实例。如果能合理利用两个任务直接的关联,那么将会起到相互促进的效果,基于这一类的观察许多论文提出的分割方式就是同时处理这两个任务,并利用了多任务学习的优势来达到一个更好的分割效果。但是,大多数他们只考虑了简单的策略,例如将语义特征矩阵和实例特征矩阵逐元素拼接或者将语义特征矩阵和实例特征矩阵直接相加,这样做可能不会导致两个任务相互促进,反而引入一些新的特征冲突的风险;或者引入一些传统的聚类方法使网络在该处不可导,破环了整个反向传播的完整性。针对上述存在的问题,本文提出了一个双向注意力模块来实现两个任务相互促进,这个模块使用特征相似性矩阵,从一个任务的特征矩阵中提取全局信息（即某一点的特征与该场景中其余点的特征的相似性）,并将这个信息传递到另一个任务,来指导另一个任务的分割,这样做既可以避免两个任务的特征直接融合,又可以避免潜在的功能排斥和任务冲突,同时在不破坏整个网络的反向传播过程的情况下,还能在反向传播的过程中继续实现两个任务的信息传递,达到更好的分割效果。为了证明分割效果,我们在三个主流点云数据集上进行了分割实验,都达到了目前最优效果,本文还进行了效率实验,证明了与现有的信息传递和聚合模块ASIS相比本文的方法在时间复杂度和空间复杂度上的优越性。此外还进行了消融实验与机制分析,可以更深层次的理解和分析双向注意力模块的机制和内在优势。