三维场景语义分割是计算机视觉领域中重要且有挑战性的课题。它作为场景感知的核心内容,被广泛应用于三维场景理解领域,如:自动驾驶领域中车辆和行人的分割、室内导航领域中的场景分割和三维重建领域中的模型重构等。随着基于深度学习的图像分类、分割和目标检测等领域发展日益成熟,基于深度学习的点云语义分割方法也得到了许多研究学者的关注。但是在实际应用中,一方面由于点云是无规则数据,使得标准卷积在提取点云特征方面存在困难。另一方面,虽然基于Point Net模型的网络架构可以直接处理点云,但是该网络架构不能有效挖掘点云邻域的局部特征以及上下文语义信息。这些问题都会影响场景语义分割技术在实际场景中广泛应用。针对上述问题,本文从点云几何同质分割和图卷积两个角度,分别提出一种基于超点图网络的室内场景分割方法和一种基于图注意卷积网络的场景分割方法。本文的主要内容和创新之处如下:（1）基于超点图网络的室内场景分割方法。为有效提取点云局部邻域的上下文语义特征以及改善点云数据集样本不均衡导致分割精度不高的问题,基于超点图网络的室内场景分割算法首先利用最小割理论将单个目标物体同质划分为若干个独立的点云块,即超点;然后为提取超点的高维几何特征,利用小型Point Net架构将超点的低维原始特征映射到高维空间;最后利用本文构建的自归一化门控单元（Self-Normalizing Gated Recurrent Unit,SN-GRU）通过学习点云块之间的长短期依赖关系来获取点云的上下文语义信息。为了提高网络模型对数据集中样本比重少的困难样本的分割精度,将针对二维图像领域样本类别不平衡问题的焦点损失函数引入到三维点云场景分割领域。实验表明,提出的场景语义分割算法不仅能有效挖掘局部点云的上下文语义信息和困难样本的几何特征,同时还提升了语义目标的平均交并比和整体分割精度。（2）基于图注意卷积网络的场景分割方法。针对标准卷积在提取点云这类无规则数据存在困难以及单尺度点云采样不能够有效捕获室外场景稀疏点云语义信息的问题,基于图注意卷积网络的场景分割算法通过图注意机制增强三维点对其局部邻域的特征感知,使得网络模型能够提高相同语义标签类别的注意权重,弱化不同语义标签类别的依赖关系,帮助网络模型提高不同类别边界的分割精度。此外,该算法还引入多尺度特征融合用于改善稀疏点云缺乏丰富语义信息的问题以及利用加权交叉熵损失提高在数据集中较低比重类别的分割精度。实验表明,所提算法不仅提高了大尺寸稀疏点云物体的分割精度,还提高了数据集中复杂场景物体边界的分割效果和若干不易分割类别的交并比。图26幅,表7个,参考文献87篇。