随着激光雷达技术的发展3D点云数据提供的坐标信息可以更好地描述真实世界的情况,因此在自动驾驶、AR云、智慧城市和文物保护等领域发挥着越来越重要的作用。目前点云数据的采集成本仍然较高,并且由于点云自身的无序性、不结构化等特点,点云数据中包含的信息未得到充分地利用。本文针对点云数据采集成本较高的问题,将轻量级算法与16线激光雷达结合搭建一个室外点云数据采集平台,以此降低点云数据采集成本。另外本文从点云局部邻域关系的构建,多层次的特征提取和基于通道注意力的特征选择三个方面提高网络在进行静态目标识别时对笛卡尔坐标的利用率,并通过实验对提出的算法有效性进行分析。本文的主要工作如下:（1）针对室外点云数据获取条件复杂、成本较高的问题,本文使用轻型SLAM算法,搭建了一个实时室外点云数据采集平台,通过采集平台上的16线激光雷达对周围的环境进行扫描获取原始的点云数据,然后Nvidia Xavier处理器中的SLAM算法对实时的点云数据进行处理形成整个室外环境的点云地图。（2）针对点云局部邻域特征提取不充分的问题。本文从邻域编码和特征提取两部分进行改进。首先利用局部空间编码模块进行局部空间的几何特征编码,减少在下采样的过程中几何信息的丢失。然后利用SKIP MLP模块连接网络的浅层特征和深层特征,对局部邻域特征进行多层次的提取。最后在数据集上对提出方法的有效性进行验证,实验结果表明嵌入该模块后进行测试mIoU提升了4.1%。（3）注意力机制是深度学习领域中的一个重要理论,本文基于通道注意力机制提出一种3D SENet模块。该模块通过自主学习的方式学习点云每个特征通道的权重,以此来增强对识别结果更有帮助的特征的影响力。然后基于该模块构建了基于通道注意力机制的神经网络模型,并在开源数据集上进行验证实验,实验结果表明添加该模块后网络在Semantic3D数据集上的mIoU提升了2.4%。（4）结合本文提出的局部空间残差编码模块和3D SENet模块,搭建一个新的网络模型PointCartesian-Net。该网络模型从局部空间特征提取和特征选择两个方面对点云数据进行处理,解决坐标信息利用不充分的问题。另外对不同的数据输入及参数选择对识别结果的影响进行分析,并在不同的点云数据集上验证网络模型的鲁棒性。实验结果表明PointCartesian-Net对不同的点云数据具有较好的鲁棒性。综上所述,本文搭建了一个低成本的室外数据采集平台,并深入研究了基于笛卡尔坐标信息进行点云静态目标识别的方法,通过探索增强网络对点云局部邻域空间的描述能力、聚集多层次特征的融合和通道注意力机制,使改进后的网络在三个室外数据集上均取得了更好的识别效果。