近年来,由于自动驾驶行业的兴起,点云等三维数据的处理成为了其中最具有挑战性的研究任务之一。虽然深度学习相应算法处理的二维图像已经获得了优越的性能,但是在三维数据的处理上却并没有达到相应的效果。本文则是主要针对点云分类问题,结合已有点云处理方法,提出了一种全新的直接处理点云的分类网络。为了克服点云的稀疏性问题,本文提出了一种层次化的点云分类网络,从局部不断提取并聚集点云特征。为了克服点云下采样过程中采样点不均衡的问题,本文设计了一种可学习的采样方法,依据每个点对任务分数的贡献程度而对中心点进行采样。在点云分类网络中,仿照卷积神经网络（Convolutional Neural Network,CNN）的特点,本文提出了一种层次的点云特征提取结构。将其中的最小特征提取单元称为特征提取层。特征提取层由采样层、聚集层和置信度层组成,这些结构依次从点云中找到具有代表性的中心点,在中心点周围聚集起局部点云簇来代表点云的局部特征,通过点云的互相位置关系,计算出置信度矩阵对局部点云簇进行加权并提取出局部中心点特征。特征提取过程需要对点云进行降采样。经典的采样方法,如最远点采样（Farthest Point Sample,FPS）,由于不考虑下游任务,其网络最终性能会受制于采样结果,有一定的局限性。针对这一问题,本文设计了一种全新的可学习的采样方法Index Sample。该算法的实质是一个小型神经网络,根据点云之间的位置关系矩阵计算出每个点被选为中心点的概率。通过概率大小排序,得到新的中心点索引,并通过在原输入点云上取索引的简单投影方法得到中心点。为了使得采样后的点尽可能地有代表性,尽量覆盖采样前的点,设计出了相应的损失约束与任务损失一同训练,提升了网络的整体表现。本文还使用Index Sample网络进行了对比实验和消融实验,并对采样点进行了可视化。从不同角度证明了可学习的采样方法对网络性能的提升。实验结果表明,本文的采样方法和经典的采样方法相比,达到了相当或更好的性能,同时又兼具更快的计算速度。全新的可学习采样方法使得物体中的重要部分更容易被采样作为中心点,并在多个数据集上稳定保持了较高的水准。