近些年来,随着自动驾驶等技术的发展,要求可以对三维物体进行处理和分析。点云作为一种最简单的三维数据组织形式,可以由很多设备生成,如激光雷达设备等。就如何分析和理解三维物体方面,已经有很多人做过尝试,并取得了不错的成果,如多视图法和体素法。然而,这两种方法都存在着缺陷。多视图法是通过将三维物体从多角度渲染,得到一组二维图像,然后使用经典的图像神经网络进行处理。多视图法需要渲染,这个过程会很漫长,另外将三维转换成二维图像,从根本上舍弃了直接在三维物体上进行语义分割的可能。体素法是将三维物体划分成规则的网格结构,像图片卷积一样,三维卷积工作在规则的网格结构上。然而,随着体素分辨率的提高,所需要的算力和内存急剧增加。Point Net[1]是一项开创性的工作,引领了使用深度学习模型直接处理三维点云的潮流。点云格式是一种松散的组织结构,具有无序性、平移性、旋转性和缩放性的特点。直接使用三维点云作为输入,需要解决点云固有属性带来的问题。本文研究了如何使用深度学习网络直接处理三维点云,执行点云的识别和分割任务。具体来说,如何处理点云的不规则结构带来的无序性、平移性、旋转性和缩放性的特点,使深度学习网络可以用来处理点云,进行点云的识别和分割。另外,针对现有的直接使用原始点云作为输入的网络模型的不足,为了能够直接使用深度学习网络进行点云的分类和分割任务,本文就探索特征点查询、探索点的局部结构、构造新的对称函数和构建转换网络对齐点云方面,做了一些贡献,具体如下:（1）针对特征点查询问题,本文提出了双球查询方法。该方法可以避免类Point Net++[2]网络结构在局部特征点查询时遇到的点重叠问题。双球查询方式基于两个单球查询嵌套而成,具体来说,双球查询的结果是两个单球查询结果的差集。（2）针对探索点的局部结构不足的问题,本文提出了边角信息特征融合图。在无序的点云中构建物体的边信息和角度信息可以尽最大效果保留原始物体的信息。在构建角度信息特征图中,我们使用查询点的临近点生成其法向估计,利用临近点投影到查询点的法向平面的投影点角度大小,来安排临近点的顺序。在角度信息特征图之上,构建边信息特征图,具体来说,利用点与点之间的在度量空间的相对位置进行构建。边角信息融合特征图有效保留了点云的局部结构信息,有利于点云特征的提取。（3）针对构造对称函数的问题,本文提出了基于三池化的对称函数。具体来说,针对单一最大池化作为对称函数,本文提出使用最大池化、平均池化和中值池化联合的三池化函数。三池化可以有效避免取单一特征值的问题,从而可以保留更多的信息,同时,三池化预测更加稳定,方差更小。针对点云对齐的问题,我们提出了高维空间转换网络。该转换网络也是基于三池化方法。在三池化提取到更多高维特征后,学习到转换矩阵,用于点云的对齐。