三维点云数据含有被测场景物体表面丰富的信息,具有海量、高密度以及高精度等特性,已成为用来理解、分析和语义解释三维自然场景的一种主要数据类型。其中,基于三维数据的复杂场景多态目标语义分割的研究具有重要的军事和民用价值。本文以室内三维点云数据和常见物品三维点云数据为研究对象,对三维点云语义分割问题展开了研究。本文的研究内容主要包括以下三个部分:（1）介绍了三维点云语义分割领域目前的发展现状,对当前国际上主流的语义分割算法进行了归纳总结。对目前国际上使用较多的三维点云语义分割算法的评价体系m Io U和目前国际上使用较多的三维点云语义分割算法的室内基准数据集S3DIS和常见物品数据集Part Net进行了详细介绍。（2）提出了一种基于图卷积和U型网络结构的三维点云语义分割网络。其中,图卷积模块用于聚合点云数据的局部特征,同时引入了注意力机制聚合来实现比最大值池化更优的效果;U型网络用于实现端到端的训练。本文使用最远点采样作为下采样手段,使采样结果更均匀且富有代表性。实验部分在S3DIS数据集和Part Net数据集上评估了本章提出的模型,并进行了丰富的消融实验,验证了本章提出网络的有效性。（3）提出了一种基于图网络的局部特征聚合的Point Net++网络。Point Net++网络是由多个尺度集合组成的分层网络,在每层的局部区域内,都集成了全局特征和局部特征用于逐点分割。该网络利用MLP和最大池化来聚合局部特征,但该过程损失了大量局部信息。本文提出了一种基于图网络的局部信息聚合模块,通过网络学习来探索局部区域内各点的互相影响,而后聚合局部信息,生成更具代表性的局部特征。实验部分在S3DIS数据集上评估了本章提出的模型,并与Point Net++进行了定量的比对,实现了原算法性能的提高。