随着采集点云数据技术的日益发展,现实生产与生活中所能获取到的点云数据增长速度迅猛。点云数据由于其获取速度快、结构简单而又信息量大的特点,引发学者关注。同时,有关深度学习相关技术的发展以及卷积神经网络功能性逐步提升,将其应用到点云法向估计的工作愈来愈多。然而,如何在点云法向估计过程中保持模型细节特征并抵抗模型低质量因素的干扰仍然是具有挑战性的工作。现有工作设计多样化的网络架构实现端到端的估计结果,但对模型不同角度特征、不同尺度特征的充分挖掘与融合考虑较少,基于曲面拟合进行法向估计工作中,依然存在支撑点选择困难问题。为此,本文以点云数据的特征分析为切入点,充分利用图卷积基础架构,构建并实现融合多维度、多尺度信息特征信息的局部-全局动态图卷积,实现保特征、抗干扰的法向估计方法。具体地,本文的贡献点主要包括:1、提出一套基于动态图卷积与平面拟合的点云法向估计算法。将动态图卷积应用到点云的法向估计任务当中,有效减小点云无拓扑结构特性对局部特征描述的影响,并通过拟合权重学习实现对邻居点进行自适应选择,有效避免法向估计问题中支撑点选择困难问题,取得稳定且鲁棒的估计结果。2、提出具有几何感知力和多尺度特征融合特性的局部-全局动态图卷积模块,主要包括图节点构建与图卷积设计。通过设计池化与特征传导操作,将网络前置学习特征进行整合并构建较少数量图节点;基于所构建图节点,提出具有几何感知力的图卷积操作。通过将此模块以迭代形式引入网络框架可动态扩大图卷积的感受野,以提取局部到全局的多尺度特征,为曲面拟合自适应选择支撑点并提供多角度、多尺度特征信息。3、利用大量实验对于算法的鲁棒性以及稳定性进行检测。通过与现有算法相比,本文均取得了较为领先的结果;通过在真实数据集进行测试可以看出,本文所提出算法在室内外真实场景均稳定、有效;此外,本文还将所提出法向估计算法所得结果应用到曲面重建问题中,取得优于现有方法的效果。