3D点云具有高密度、高精度特性,其坐标信息包含了大量的语义特征。而对3D点云语义分割是目前解决无人驾驶、高精度地图构建的有效手段。目前,3D语义分割的数据主要来源为点云数据,点云数据存在数据量大、密度不均匀、不规则的问题,如何解决这些问题,直接影响到点云特征提取及最终的3D点云语义分割。基于KNN近邻提取特征模型是基于点云学习的先进方法,但是基于KNN近邻提取特征模型在点云近邻计算上及训练过程中都存在一定的不足,本文以提取点云特征及点云分割准确度为目标,对现有的基于KNN近邻提取特征模型提出改进,本文具体工作如下:(1)提出一种MS-KNN邻域搜索的点云语义分割算法,该算法主要解决KNN近邻提取特征模型在点云密度疏密对近邻计算的不足,通过采用Mean-shift、KNN方法计算近邻及提取特征,提升点云语义分割准确度。主要分为三个步骤,第一,该方法分别采用Mean-shift、KNN方法计算点的近邻,基于不同的点云密度,计算出不同的点云近邻。第二,在不同近邻上提取点云特征,最后通过分类器,为每个点分配对应的标签。第三,使用一个平面Ax(10)By(10)Cz(10)D(28)0分割出的电力线类别,融合基于Mean-shift和基于KNN计算近邻的分类标签,得到最终的语义标签。(2)提出一种基于降采样的多尺度点云语义分割算法,主要为了解决点云在计算近邻时,都需要为每个点计算近邻及优化近邻,而我们在保证分割准确度的情况下,避免大量点的近邻查询,加快训练及预测。首先,对点云进行降采样,得到不同密度的点云。其次,采用球搜索计算点云多尺度近邻,最后,计算点云的特征,使用分类器分类,得到最终的语义标签。(3)提出了一种改进的正则化框架算法,该算法主要为了解决分类后的点云存在噪声点,通过对点云正则化,过滤掉点云标签中的噪声点,提高分割的准确度,使得标签具有空间平滑性。首先选取点云邻接图,构造惩罚函数,利用优化算法进行优化,得到最终的语义标签。所提出的方法在Oakland和自建的数据集进行详细测试和分析,实验结果得出,并与基于KNN近邻提取特征模型相比,本文的MS-KNN邻域搜索的点云语义分割算法,总体准确率相对提高了2.24%,F1均值相对提高了7.83%。一种基于降采样的多尺度点云语义分割算法,总体准确率虽然降低了1.86%,但是训练时间缩短了13倍。改进的正则化框架算法,总体准确率相对提高了3.53%,设计的指数保真函数与其他保真函数相比,准确率相对提高了0.2%。