近些年,随着扫描技术的发展,点云数据获取不再是难事,这使得利用三维点云数据来提高物体分类与识别准确率成为了国内外众多学者与专家的研究热点。不同于二维图像,点云数据不仅仅包含了三维空间中的原始几何信息,还包含了其它丰富信息,比如颜色、光强、类别等,因此需要更有效的特征提取方法。目前对于点云数据的研究已逐渐从低层次手工特征的提取向着高层次的语义理解过渡,经历了从多视角、体素化到最近直接针对点进行处理的发展历程。目前针对点云数据的分类识别方法主要有基于多视图、体素、直接处理点的深度学习方法,前两种方法由于存在计算资源以及存储空间需求过大等局限性,未来发展趋势更倾向于第三种点云处理方法。基于直接处理点的深度学习方法中,最为常见的模型为Point Net以及动态图神经网络DGCNN,这两个模型都可以取得比较优秀的点云信号分类与识别结果,但前者只将每个点独立看待,没考虑点与点之间的局部联系,后者则是采用了全连接方式的多层感知器,导致出现模型结构复杂、计算冗余、训练速度慢等问题。为了解决上述的局限性,本文主要有以下两方面的研究内容:（1）针对PointNet模型中没有考虑点与点之间局部联系的问题,对输入的点云数据完成局部有向图构造,从输入点云数据中找出距离各个中心点最近的部分点,以这些点与中心点共同作为顶点来构造局部有向图区域,并通过在Model Net数据集上的实验验证了该构造算法的有效性。（2）针对DGCNN模型结构复杂、参数冗余的问题,提出了多种采用不同稀疏连接方式的卷积层以及结构简洁的小型转换网络ST-Net,通过实验选出了最佳稀疏连接方式,最终提出稀疏图神经网络SDGCNN。最后通过Model Net数据集进行实验,结果表明SDGCNN模型可以在Model Net40数据集上达到91.6%的识别准确率,优于目前常见的点云信号分类与识别模型,同时在训练速度上也可以达到更快的水平。