近年来,随着深度传感器技术如激光雷达设备、RGB-D相机的不断发展、成熟,3D点云数据质量、获取效率及性价比不断提升,被广泛应用于无人驾驶、智慧城市、测绘遥感等领域、行业。点云数据作为三维重建技术的主要数据格式,已广泛应用于三维模型及场景的分类分割任务中,其中,基于深度学习的三维点云分类分割方法由于其性能的优越性越来越受到关注和研究。Point Net和Point Net++作为最早提出的点云处理系列网络,虽成功解决了点云无序性等问题,但依然面临局部特征提取不充分的问题。针对这一问题,本文将自注意力机制引入Point Net++构建点云语义分割网络SSA-Point Net++以进一步提高复杂场景点云语义分割精度。本文主要工作如下:1.首先从多视图、体素、离散点云三个方面总结了目前基于深度学习模型的3D点云分割研究现状;进而对卷积神经网络背景知识及发展进行了简单回顾,并对改进网络中用到的注意力机制理论基础进行了阐述;最后对本文3D点云分割深度学习采用公共数据集及评价指标进行了说明。2.在Model Net40和S3DIS数据集上对经典的直接点云语义分割神经网络模型Point Net、Point Net++进行验证,分析给出其网络优缺点,从而为后续网络模型设计、性能提升奠定基础。3.在Poinet Net++基础上引入自注意力机制提出SSA-Point Net++点云分类分割网络模型,并将空间自注意力机制明确分为采样点、邻域自注意力机制,综合两者并通过不同的空间编码方式来增强采样点邻域拓扑结构学习能力;构建注意力池化模块并通过差异性池化函数来整合注意力机制池化、最大池化提取的多个全局特征,利用空间自注意力机制对显著性特征的自适应筛选来强化重要信息在网络的传递。本文在公开数据集Model Net40、S3DIS、Semantic3D进行的三维模型分类及室、内外场景语义分割实验。实验表明,数据集Moedl Net40上分类精度达到93.1%,较Point Net++提升达1.2%。数据集S3DIS上的m Io U最优且较Point Net++提升达6.3%,数据集Semantic3D上的m Io U高出次优精度约3%;相比于公开数据集上其它网络模型的分割结果,本文算法性能均有不同程度的性能提升,具有更强的泛化性能及良好的应用价值。