点云是3D计算机视觉的数据表现形式,目前在计算机视觉领域,点云的分类技术是一个非常前沿的研究。现有的基于深度学习的点云分类方法由于对高频信息的忽视以及对局部特征关注度低,所以点云目标的特征学习不是非常有效,使得分类的精确度低和系统鲁棒性较差。本文采用公共数据集作为实验数据,研究了点云分类问题,并提出了两种分类方法。其一,研究基于随机傅里叶特征映射的点云目标分类问题。端到端的点云分类模型是根据目标的多层感知机提取的特征来决定一个目标的分类结果,而无法根据目标的高频特征来对目标类别进行评估。为此,本文提出一种基于随机傅里叶特征映射的神经网络算法来提高目标分类的准确性。该方法增加了关键高频特征的提取,将基于高斯映射提取的特征与神经网络提取的特征进行合并,使得融合的特征具有更多的有效信息,从而提升点云目标分类的准确性。实验结果证明了点云的高频信息在提高分类准确率上的有效性和可行性。其二,从提高分类的鲁棒性的角度出发提出一种结合特征金字塔和Blending算法的点云分类网络BFNet（Blending Feature pyramids Network）。首先,构建基础特征提取网络,通过使用FPN（Feature Pyramid Network,特征金字塔网络）结构获得不同层级的特征并进行融合;然后,使用对应维度输入的全连接层进行分类;其次,参照Blending算法的结构使用基础网络设置5个并行的分类网络作为分类器;最后,设置一个结果融合层对5个分类器的结果进行融合来提高分类的准确率和鲁棒性。采用Model Net40物体分类数据集对所提出的网络BFNet进行训练及测试。实验表明,与Point Net和Point Net++相比准确率与鲁棒性均获得了提升。其三,设计并实现了一个基于以上两种分类方法的点云分类系统,首先分析了系统的需求,然后根据需求设计了系统的整体框架,确定了开发的语言以及工具。具体功能模块包括用户管理模块、点云数据上传与预处理模块、分类网络预测模块、结果展示模块这四个模块。最后以应用的形式展示了系统主界面和四个模块界面。