近年来,随着激光雷达等采集设备性能的不断提升,三维点云获取变得越来越便捷,其在机器人、智能驾驶、室内导航等领域得到广泛应用。在计算机视觉中,语义分割是场景理解的关键技术之一。传统的基于二维图像的语义分割算法严重受限于图像拍摄角度及光照等不可控因素,且易丢失场景中物体间的空间位置关系。为充分理解现实世界,利用三维点云以实现场景语义分割成为当前的研究热点。因点云的不规则、无序、稀疏等特性使得基于图像的卷积神经网络难以被直接应用,故研究者尝试多种转换方法,虽取得了较优的分割效果,但会造成计算复杂、内存占用大等不足。针对Point Net网络的缺陷,本文以Point Net为主干网络提出了层间共享的注意力网络（ILSA）,其主要是在原有网络基础上添加了两个关键性的模块以提高点云语义分割性能。通过实验验证,ILSA网络在室内数据集的分割效果良好。本文具体工作如下:（1）原有的Point Net网络仅仅是利用多层感知机获取点云的全局特征,而此类特征体现的是场景的整体属性（例如:颜色、纹理、形状等）对于准确分割及理解场景是不充分的。为提高模型分割性能,本文在此基础上对场景中局部区域的细节信息（边缘、角、线等）进行采集,并将其与全局特征融合以实现上下文特征的提取,提出了层内层间共享模块。该模块由三个分支构成,每个分支使用不同空洞率的卷积获取多尺度的场景特征,且各分支通过短连接相连。同一分支上的前后两个特征图能够相互集成,不同分支上的特征图能够被编码到后续的分支。（2）为充分感知现实世界,高效分割室内场景,本文考虑三维语义场景中各物体之间的空间位置布局,提出了空间注意力模块。该模块引入注意力机制,使网络能够快速定位感兴趣的区域,同时获取相邻物体间的相关性,从而有效区分二者之间的语义关系,提高分割的准确性。在斯坦福室内数据集（S3DIS）的语义分割实验表明:该算法鲁棒性强、可靠性高,相比于Point Net,其在各个类别上的分割精度都有提升。