点云识别指通过点云数据对空间中的物体或场景进行智能识别。点云数据是一种可以展现物体在空间中几何特征的数据,这使得点云识别在自动驾驶、机器人空间视觉等方面有着重要的作用,在人类现实生活中有着重要的意义。然而,点云数据不同于图片和文本数据,点云数据具有非结构化、无序等特点,这使得点云识别是一个十分困难的任务。传统算法通过手动提取特征再采用机器学习算法的方式实现点云识别,难以实现良好的识别效果,而现有的基于深度学习的点云识别方法,多存在着场景通用性不高、效率较低等缺点。因此,设计一个能直接处理点云数据且准确率高、通用性强的点云识别方法具有重要的意义。本文在研究了点云数据的特点和现有点云识别方法的优缺点之后,提出了一种基于注意力机制和图卷积的点云识别方法,直接处理点云数据进行识别,并且具有准确率高、通用性好等优点。本文的主要研究工作如下:首先,本文的任务是采用深度学习对直接输入的点云数据进行识别,点云数据是非结构化的数据,不同于图片数据可以直接采用卷积神经网络进行识别,而是需要通过网络学习一个连续函数和一个对称函数来实现对点云数据的拟合。该方法相当于让网络学习点云数据中的关键点来总结整个物体或场景。由于点云数据具有无序的特点,这使得网络模型在拟合点云数据和获取点云数据关键点上存在困难。对此,本文提出了一种结合残差学习的注意力机制,在提高网络对点云数据拟合能力的同时,更加注意到点云数据中关键点的特征,使模型具有更好的识别效果。其次,采用直接输入点云进行识别时,由于点云集合非结构化、无序的特点,算法还需要考虑点云局部空间特征信息丢失的问题。为了从非结构化的点云数据中获取到局部空间特征,本文提出对点云数据构建一种基于距离的近邻图,再采用图卷积的方式来获取点云数据的局部特征。最后,本文通过将结合残差学习的注意力模块与点云的图卷积相融合,获得点云识别的整体模型。在此模型的基础上,本文进行了2D点云识别、3D点云识别以及3D点云语义分割等实验,并取得了良好的效果。