三维点云语义分割作为环境感知的基本任务,能够为自动驾驶的下游任务（路径规划、行为决策、运动控制等）提供有效的目标识别信息,实现准确高效的点云语义分割对于推动自动驾驶发展有着重要意义。随着随机采样方法在点云数据降采样中的应用,大规模点云语义分割在处理速度上获得了大幅度提升,然而由于各类神经网络较深的网络结构导致模型对点云特征的利用依旧存在不足。为了实现更好的点云语义分割效果,本文在Rand LA-Net网络的基础上,提出了基于多尺度特征融合和多损失监督的MFFRand网络,来提高对点云数据中语义信息的有效利用。首先,本论文从传统方法和深度学习方法两方面调研了三维点云处理的研究现状,结合各类方法的优劣,确定了采用基于点的深度学习处理方案,并对三维点云及深度学习的基础进行整理概述,为后续的模型设计及实验提供了理论参考。接着,对点云语义分割网络MFFRand进行设计,MFFRand以Rand LA-Net为基础,借助其高效的随机采样策略的同时,设计了多尺度特征融合模块用于对网络高低层语义信息的特征融合和多损失监督模块用于提升对局部网络的训练控制,以提高点云语义分割效果。进一步,从数据预处理、网络的输入、特征的传递及最终的语义预测等方面入手,对MFFRand网络的点云语义分割完整处理流程进行设计。最后,在数据集上对本文提出的MFFRand模型进行评估,其中多尺度特征融合模块的使用使得MFFRand网络在Semantic3D数据集上的语义分割效果相比Rand LA-Net提高了1.1个m Io U;多损失函数监督模块的应用使得网络推理性能在多尺度特征融合模块的基础上再一次提高1.0个m Io U,验证了所设计网络MFFRand在语义分割任务中的有效性;同时MFFRand的结构设计也使得其在训练上更具优势,可以通过较小的时间代价获得不同网络深度的分割结果。本文的研究成果不仅对于提升点云语义分割任务的效果有重要意义,同时,MFFRand网络的模型结构设计更是提供了一种特征处理的通用框架,对于神经网络模型在其他任务中的延伸应用有一定的参考价值。