点云作为常用的三维（3D）数据,近年来已被广泛应用于摄影测量、遥感、室内导航、无人驾驶、移动机器人等相关领域中。随着传感器技术的不断发展,3D点云数据的获取方式变得愈加多元化。在过去十年间,陆续发布了一系列用于大场景3D点云语义分割的公共数据集,基于数据驱动的深度学习网络也得以蓬勃发展。尽管3D点云数据获取与处理技术日趋成熟,然而,到目前为止,很少有专用于大范围田间场景的公共数据集以及有效的深度学习网络。针对上述问题,本文首先分析了大场景3D点云语义分割的研究背景和存在的问题,以自制的田间场景数据集为主要研究对象,以直接基于点的深度学习网络为基础,先后对Point Net网络和超点图（SPG）网络进行了设计与改进,并着重对改进后的网络性能进行了分析。具体研究内容如下:（1）大范围田间真实场景数据集的制作。针对目前用于大范围田间真实场景3D点云数据集不足的问题,本文通过使用实验室大疆精灵4 RTK行业级无人机基于摄影测量原理对杨凌周边猕猴桃产业基地、校内示范地、校内住宿区等地进行拍摄作业并经后期点云数据重建和人工标注,制作了一套专用于大范围田间真实场景3D点云语义分割任务的数据集。（2）基于改进Point Net的轻量级点云语义分割网络设计。针对Point Net这一基础网络在局部特征提取方面的不足,本研究通过对其空间转换网络（T-Net）、特征提取模块与特征聚合模块进行设计与改进,提出了一种更加轻量级的LFSeg Net网络,很好地解决了特征信息丢失这一重要问题。并在自制水果数据集与自制田间大场景数据集上与Point Net等网络进行了性能比较。结果表明,本文的LFSeg Net网络性能更优。（3）基于改进SPG的大场景点云语义分割网络构建。针对超点图（SPG）网络在大场景点云数据中进行语义分割任务时性能欠佳这一问题,本文通过对其特征提取、超点构建、网络训练等部分进行了优化与改进,研究如何构建更高效的网络模型以提升其语义分割性能。选用自制田间真实场景数据集进行实验,结果表明,本文改进的网络相比于原SPG网络性能更优（+15.76%m Io U）,并在S3DIS公共数据集上进行了实验验证,相比于原方法,m IoU提升了1.1个百分点。进一步验证了本文改进方法的有效性。