三维点云数据是一种重要的空间几何型数据,常用于对现实生活中几何物体进行正确外观的构造,具有稀疏性、无序性以及旋转不变性。点云数据逐渐成为三维场景分析与理解的主要数据之一,其中三维点云分类是三维点云数据处理的基础和关键,快速、高精度的点云分类有助于自动驾驶、工业机器人、地图重构等技术的发展。然而三维点云数据的排列无序、分布不均等特性,为三维点云数据的处理带来巨大的挑战。当下流行的深度神经网络能够自主地对海量点云数据进行处理,学习到更深层次的高维度特征,使用深度学习技术处理点云分类任务是目前的研究趋势。随着深度学习技术的深入研究,点云分类技术获得快速的发展,但在整体分类精度和实用性方面依然面临很大的挑战。以深度学习技术为基础如何构建网络提升点云分类的准确度是目前研究的热点问题。模型的整体复杂度是该模型的一个重要考察特征,在保证准确率的前提下,如何减少模型的复杂度使得能满足实际情况的需要。本文通过对点云数据处理中存在的问题进行分析研究,提出了可行性的解决方案,主要工作如下所示:（1）针对现有方法存在特征提取不充分的问题,提出一个基于注意力特征融合的多尺度点云分类网络。首先构建多尺度的分类网络,输入为不同维度的特征信息,获得不同尺度的局部区域特征。然后通过图注意力机制对不同尺度特征进行加权,强调关键特征的重要程度,将多尺度特征加权融合成更具有鉴别能力的局部区域特征。在数据集Model Net40上进行测试,验证了本文算法的可行性及有效性。（2）针对以上模型神经网络复杂度大的问题,提出一个轻量化的点云分类网络,在确保精度的前提下降低了参数量。通过适应性下采样,只保留对分类结果重要的特征点,每次特征提取后能降低计算复杂度。同时针对Point Net无法获取局部特征的问题,采用双路径网络,分别获取全局特征和局部特征。全局特征的获取网络以Point Net网络为基准网络,局部特征的提取使用K近邻算法构图,然后进行图卷积操作,从而获取点云的局部特征。通过Model Net40数据集进行验证。实验结果表明,与Point Net、Point Net++和AFM-Net等方法相比具有较高的计算效率。图[29]表[6]参[66]