随着三维成像技术与深度学习的发展,三维数据在自动驾驶、智能机器人等领域得到了广泛的应用,基于深度学习的点云分析也成为当前的研究热点。然而由于点云并不具备规则的数据结构,难以直接运用传统卷积模块,使得层次化提取点云特征变得困难,因此研究如何设计实现点云卷积对于构建点云识别网络非常重要。此外,由于现实中的点云物体通常处于一个任意的姿态,构建具备良好旋转鲁棒性的识别模型有着重要的实际意义。本文在综述国内外关于点云处理技术最新进展的基础上,总结了点云卷积神经网络的基本框架,同时重点研究了点云卷积模块的设计以及对任意姿态点云的识别问题。本论文主要工作如下:首先,对点云卷积神经网络构建的相关基本理论与基础模块进行了分析与研究,为后续搭建点云识别模型提供理论基础。同时针对当前点云卷积的实现方式,进一步分析和探讨当前流行的两大类点云卷积操作的实现机理及其可能存在的问题,为后续研究提供改进思路。其次,在点云卷积操作的设计方面,提出了自适应表面拟合卷积模块。针对点云为嵌入到三维空间中的二维曲面的本质,我们在同为二维结构的切平面上定义核心点,然后将核心点拟合到局部点云表面来提取邻域特征。相对于采用三维刚性卷积核的离散卷积操作,我们提出的卷积方式能够更好地提取局部特征并提升模型识别性能,并通过实验对其有效性进行了验证。最后,在针对任意姿态点云的识别方面,我们假设不同姿态点云输入对于模型的影响主要存在于输入特征层面与卷积层面两个部分。同时通过构建旋转不变的局部坐标系并在其中定义卷积操作,以及将邻域点在此坐标系中的坐标作为输入特征来在这两个层面上消除旋转对于模型的影响。在多个公共数据集上的结果显示我们的算法能够达到目前最佳的性能。