铸件被广泛应用在机械零件的毛坯制造中,其生产工艺流程需要通过大量的人工参与。铸造行业工作强度高,工作环境条件差,属于劳动密集型行业。我国正亟待从“铸造大国”向“铸造强国”转变。如何应用机器人实现铸件自动化生产成为研究的热点。目前,铸件机器人的视觉识别方法主要有点云模型分割识别、图像分割识别、三维重构识别、激光传感器识别等识别方式。点云深度学习分割识别因具有识别准确率高、具有学习性、数据信息丰富等特点,在铸件机器人视觉识别方面优势明显。现有的点云深度学习网络框架在分割识别的过程中,具有训练数据需求量大、几何特征不显著处识别精度低、点云的无序性、数据量庞大等缺点。因此本文制作了用于深度学习训练的铸件毛坯数据集。同时,提出一种铸件毛坯点云分割网络模型FLA-Net。该网络模型针对铸件毛坯点云数据特点进行优化设计,通过基于余弦相似度的特征编码方法提高铸件识别能力,并且具有空间转换不变性,对铸件毛坯浇冒口等目标对象的几何特征识别效果显著。本文的主要研究内容如下:（1）搭建点云数据采集与处理平台,完成铸造车间中铸件毛坯点云数据的采集与数据集的设计制作,开发基于犀牛3D软件二次开发的点云数据语义标注插件,以满足铸件毛坯数据集的制作需求。（2）以铸件冒口设计方法为依据,对铸件毛坯成型后,浇冒口的几何特征形成规律进行理论分析。针对提出了基于余弦相似度的浇冒口特征分割识别编码算法。通过整合邻域图构建与特征编码算法,形成ACSE局部特征编码模块,与前沿点云分割网络结合,提出了铸件浇冒口识别编码算法。研究了使用了该算法的网络模型在大规模场景点云公开数据集的分割识别结果,分析实验结果,进一步优化网络模型结构。（3）为应对点云无序性,提出F-Conv局部空间特征预编码层,赋予点云分割网络模型空间转换不变性。为应对点云数据量庞大的问题,使用最远点采样算法对网络模型所提取的特征进行下采样。引入注意力池化模块与残差连接模块,提出铸件毛坯浇冒口分割网络模型FLA-Net。对网络模型使用公开数据集开展实验,验证FLA-Net的有效性。（4）进行铸件毛坯部件分割识别实验,研究了学习区间点云划分数量对精度的影响。通过参数优选,在学习区间划分点云数量为12288,学习率为0.001,学习250个epoch的实验条件下,浇冒口识别达到了98.1%的测试集准确率,整体平均达到了93.3%的测试集准确率。分析了部件分割各类别及整体实验结果,验证了FLA-Net分割识别铸件毛坯点云部件的可行性与有效性。进行多铸件毛坯场景点云分割实验,研究了FLA-Net处理大规模点云的能力,在最优参数条件下,整体分割达到了77.2%的测试集准确率。进一步对比验证了FLA-Net对铸件点云数据的分割识别优势以及具备铸件机器人多任务的应用前景。