果实分类与分割是实现果实定位、自动采摘和估产等工作的基础。随着三维点云技术的不断进步,基于深度学习的分类分割技术在自动驾驶、智能家居、人脸识别等领域,均取得了长足的发展,但在田间果实点云任务上仍面临巨大的挑战。本文针对果实点云数据,构建基于三维语义的深度学习果实分类、分割框架,有利于提高果实识别效率与准确率,为田间其他基础工作,如果实分级、高效管理等提供切实可行的技术支持。论文主要内容和研究结果如下:（1）构建了一套果实点云数据集。在三维点云数据集的传统制作流程中,由于真实场景里存在叶片遮挡、摇摆、光线不均匀等情况,导致激光扫描获取点云成本高、难度较大。为了解决这一问题,本文采用Kinect v2对田间果实场景进行拍摄,通过Kinect v2获取彩色1080p照片,并使用Colmap基于SFM算法,利用SIFT算子、最近邻算法等完成稀疏重建。使用Open MVS,生成田间果实的稠密点云模型。采用体素采样等方法完成一系列果实点云数据的预处理工作。（2）完成了将Spatial Transformer Network方法与Point Net点云分类网络相结合的果实点云分类任务。Point Net是一种直接作用于点云的深度神经网络。由于果实点云的不规则性以及受光照影响较大,导致Point Net不能灵活地学习局部上下文,在果实点云分类预实验中的分类结果并不理想。本文将Spatial Transformer Network嵌入Point Net中实现对该网络的改进,通过将空间变换应用于输入点云,以获得不同的局部邻域特征,便于网络灵活地对果实点云进行特征学习。对比实验结果表明,本文的方法在对果实点云的分类任务上,相比其他网络分类效果有显著提升。（3）设计了基于RNN的果实点云分割网络。基于RNN的经典分割网络RSNet和G+RCU可以通过区域划分提取局部信息,但仍需要巨大的计算成本。为了解决这些问题,本文提出一种新的果实点云分割网络,采用点云分块和RNN来有效地加强局部特征的连接,以提高分割精度。通过将点云划分为相同大小、适当重叠的块,以快速提取局部上下文。同时引入双向GRU来探索相邻块之间的相关性,从而有效地聚合块特征。通过对比实验证明,在果实点云分割数据集上,本文方法具有更高的准确率。