近年来,随着空间感知能力和点云大规模处理技术的愈加成熟,基于激光的三维扫描技术已经广泛应用于实时导航、虚拟现实、建筑信息模型建模等各个领域中,而点云分割技术是面向这些应用领域的必要技术之一。点云分割是对点云模型进行有效利用的关键技术,点云分割技术实现了对点云模型的分而治之,无论是识别还是分类都需要先对点云进行分割提取,提高点云分割精度与效率是目前主要的研究方向。本文提出基于图卷积神经网络的点云特征提取网络,使用标签数据的优化方法与语义-实例分割结合的点云分割方法,针对目前深度网络在大场景点云数据上遇到的数据规模大和点云分布不均的问题进行改进。提高了点云分割的准确率,并减少训练中的内存消耗与运行时间。主要研究工作包括:（1）提出了一种基于图卷积神经网络的点云特征提取方法。针对大场景点云无特定顺序并且点云分布不均的特性,应用K临近的邻域采样法,对采样点的距离信息进行排序,计算输入点云的拉普拉斯矩阵,并参考空洞卷积技术对采样法进行了改进,扩大网络的感受域;针对图卷积容易产生梯度消失的问题,本文加入了残差块,提高了网络抗过平滑的能力。（2）提出了一种基于标签传播的点云标签优化方法。针对深度学习对大数据量的需求问题,对实例标签和语义标签进行标签优化,利用得到的优化标签矩阵与原数据集的标记标签矩阵共同影响点云分割的结果。（3）提出了一种点云分割的改进方法。针对点云数据的语义标签与实例标签的相似性,将相似参数结合到语义分割与实例分割的损失函数中,同时进行点云的语义分割与实例分割,通过调整相似性参数占比来影响分割结果。通过在公开数据集S3DIS的点云分割实验证明,针对点云分割问题,语义分割与实例分割相结合能取得点云分割精度上的提升,与Point Net网络和Point Net++网络的分割结果进行了对比。