随着各类算法的出现以及硬件设备的不断更新换代,深度学习方法在计算机视觉领域占据了越来越重要的地位。深度学习中的卷积神经网络能模拟大脑视觉系统对视觉信号的分层处理机制,在二维图像领域获得了极高的识别精度。而3D传感器和相关软件的发展使得越来越多的图像数据开始以三维数据的形式呈现,根据数据形式的不同,相关的研究方向也是不同的。常见的三维数据形式有体素、多视图和点云等,其中三维点云这种数据形式能较好的反映三维物体的表面信息和结构信息,是三维物体识别研究的重要数据之一,但由于三维点云的表示形式并不规则,具有不对称性、排列顺序多样化等问题,因此能应用于二维图像数据的深度神经网络并不适用于三维点云数据。基于三维点云的数据形式,本文针对密度均匀的点云提出了基于图卷积网络的三维点云识别网络Graph PNet,针对密度不均匀的点云提出了基于多尺度特征融合以及简化图卷积的三维点云识别网络Graph PNet2,并且将这两个模型与现有的方法进行了对比,验证了两种网络的有效性。本文的具体工作如下:（1）介绍了基于体素、多视角图的深度学习方法,详细总结了基于三维点云的相关研究,对比分析了现有方法的特点和不足。（2）针对PointNet模型只提取孤立点的特征信息而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云识别网络模型Graph PNet,该模型假设三维点云在空间中均匀分布,结合点云的无序性与不变性的特点,构建点云的无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式获得新的点云特征。同时Graph PNet使用空间变换模块以及全局池化解决点云的无序性、转换不变性的问题。与现有基于三维点云的深度学习方法对比,Graph PNet提高了识别精度。（3）针对三维点云数据密度分布不均匀的特点提出了Graph PNet2模型,该网络使用新的邻域划分方式,采用多尺度特征融合的方式以适应不同密度的三维点云数据,同时Graph PNet2模型使用简化图卷积模块以降低多尺度特征计算的计算量。通过实验比较了简化图卷积模型与Graph PNet中图卷积模型在相同架构下的识别精度与计算速度上的差距,通过与现有方法对比,Graph PNet2的识别精度有了进一步提升,达到了较良好的识别效果。