随着科技的进步,计算机视觉技术日趋成熟,三维点云数据已成为场景理解和三维模型的重要来源,三维点云数据在无人驾驶、工业检测等领域的应用越来越广泛。点云语义划分要求对输入点云数据进行分类并添加语义标记,这是图像处理、三维建模和计算机视觉等领域中最为棘手的问题,也是当前的热点研究方向。传统的点云分割技术依靠手工设计实现,其操作过程复杂,且自动化和智能化程度不高,Point Net++是一种具有高自适应和高智能的点云语义网络,本文在局部区域特征提取及网络构建方面进行改进,设计出模型性能更好的SA-Point Net++网络,主要工作如下:（1）针对FPS处理规模较大的点云数据时间损耗快速上升的问题,重新选择下采样算法,由于使用的点云数据规模较大,通过对比分析RS、IDIS、FPS三种采样算法,确定使用RS采样算法处理海量点云数据。针对Point Net++网络混淆点云的几何和其他附加特征问题,提出将点云中各点的几何特征与其他多类特征分开提取,并设计SPoint Net层,从而提高点云中各点附加信息的的利用率,保证合法性。（2）针对Point Net++网络对局部区域提取特征时存在缺失,从而限制网络对精细场景的识别以及对复杂场景的泛化能力问题,受到图像自注意调整的启示,提出三维点云位置注意调整机制,加强局部区域中点与点的关联。为了进一步提高Point Net++网络的语义分割精度,增加点云的感受野,提出三层编码器和解码器结构。为了应对参数增加带来的过拟合问题,提出使用Dropout结构和携带权重的交叉熵代价函数。本文从理论的角度分析上述方法的合理性,并在公开数据集Model Net、Shape Net和S3DIS上进行对比实验,通过执行物体分类和场景分割任务,分析评价指标,验证本文所提方法的有效性和通用性。SA-Point Net++网络在Model Net数据集上的总体分类精度为93.5%,相比于Point Net++提高了2.8%;在Shape Net数据集上的m Io U值为86.2%,相比于Point Net++提高了1.1%;在S3DIS数据集的Area＿5中的总体精度为82.80%,相比于Point Net++提升了1.7%,m Io U值为52.60%,相比于Point Net++提升了3.21%。