近年来,随着三维成像技术的迅速发展,三维点云的数量呈现出爆炸式的增长。由于点云数据能够最大程度地保留三维模型的几何信息,其逐渐被应用于很多领域中,如场景理解、自动驾驶以及机器人等。随着点云数据的增多,采取人工方式对其进行分类的方式变得不再可行。因此,如何快速准确地对三维模型进行分类标注成为当前亟待解决的问题。三维空间中的点具有无序性、稀疏性以及高维性等特点,且在空间上存在一定的位置关系。然而,常规的基于全连接神经网络的特征提取方法直接逐点进行特征的提取,无法兼顾点与点之间的关联信息,难以提取到区分度高的特征信息。针对上述问题,本文提出基于多头自注意力机制的三维点云分类与分割方法,主要研究内容如下:（1）由于三维点云中包含着丰富的形状信息,充分利用该信息有助于更好地刻画点云特征。因此,为了更好地描述三维点云的形状特征,本文利用形状函数计算点云的形状特征,并将点云的初始特征与形状特征拼接起来,将其共同作为神经网络的输入。实验结果表明,使用点云的形状特征能够更好地度量三维点云之间的相异性,提升模型的分类与分割性能。（2）由于三维点云中各个点之间具有一定的相关关系,直接使用全连接神经网络对其进行逐点特征提取难以有效地挖掘出此关系。因此,本文通过将自注意力机制与卷积神经网络结合,提出基于多头自注意力机制的三维点云分类与分割方法。该方法利用多级特征融合的思想,使用多个并行的自注意力模块分别从不同的特征维度提取各个特征向量之间关联信息,并将每个自注意力的输出结果进行融合。同时,利用全连接神经网络挖掘高层特征。实验结果表明,该方法能够挖掘三维点云之间的相关关系,有着良好的分类与分割性能。（3）采用自注意力机制对目标点与输入点进行注意力计算时融入了较远点对目标点的影响,然而距离目标点较远的点与其之间不具有强邻域相关性。为了能够更好地挖掘输入点的局部特征,通过将自注意力机制与图神经网络结合,提出基于图注意力机制的三维点云分类与分割方法。通过对输入的点云进行建图,计算每个点与其一定数量邻域点之间的相似性,使用多个并行的注意力在不同维度上进行注意力计算。然后使用可学习的线性变换将特征映射到更高维度。实验结果表明,该方法能够挖掘输入点云的局部特征,提高模型分类与分割的性能。综上,本文提出的方法能有效地挖掘点之间的关联信息,使得最终提取的特征兼具输入点云的局部与全局信息。通过在公开数据集上进行测试,并且与现有方法进行对比,本文所提方法能够提升分类和分割性能。