三维点云数据语义分割与分类是自动驾驶、智能机器人、场景识别与理解等许多三维感知任务的前提和基础。本文针对PointNet++网络结构在局部特征提取过程中忽略点之间邻域关系与拓扑结构信息,提取到的点云语义信息不足导致语义分割准确度较低的问题,深入研究了基于注意力机制与邻域几何特征的点云语义分割算法;随后,针对PointNet++网络忽略了点云数据密度不均匀引起的非均匀采样问题且模型局部特征提取器网络深度不足导致的多类别点云分类准确率较低的问题,深入研究了基于点密度估计与深度残差神经网络的点云分类算法。本文的主要工作如下:（1）深入研究了基于注意力机制与邻域几何特征的点云语义分割方法,改进PointNet++网络结构在局部特征提取过程中单独提取点特征,缺乏点之间的邻域关系和几何信息学习的问题。该算法首先将注意力机制引入局部特征提取过程当中,对邻域点空间位置信息、欧式几何距离和角度信息进行自适应学习,使网络有选择地关注最相关的邻域点;其次,采用多尺度局部特征提取策略达到多尺度特征的互补并设计了多尺度交叉熵损失函数进行网络训练;最后,基于局部邻域构建算法与局部特征提取结构构建点云语义分割网络架构,在三维室内空间数据集S3DIS上进行训练与测试,语义分割总体准确度o Acc与平均类别交并比m Io U较PointNet++分别提高了6.18%、5.96%,并将分割结果进行可视化,实验结果表明算法对局部几何结构相似物体类别具有良好的分割效果。（2）深入研究了基于点密度估计与深度残差神经网络的点云分类方法,改进PointNet++网络结构在局部特征提取过程中迭代使用浅层次的多层感知机提取浅层次特征、忽略输入点云数据的密度非均匀特性的问题。该算法首先基于高斯核函数对输入局部区域点云密度级别进行计算,依据密度级别对点云权重函数进行重加权;其次,基于残差神经网络的思想设计局部特征提取器,提取深层次点云特征信息提高分类精度;最后,基于高斯核函数点云密度估计算法与深度残差局部特征提取器构建三维点云数据分类网络架构,在ModelNet40数据集上进行一系列对比实验、消融实验、鲁棒性实验。实验结果显示,该算法分类总体准确度o Acc与平均类别准确率m Acc分别达到了92.47%、88.93%,较PointNet++网络分别提高了1.78%、1.41%。