深度学习在计算机视觉任务中得到了广泛的应用,特别是在二维图像分类和分割中。最近,大型三维数据集的可用性和计算能力的提升使得将深度学习技术应用于三维数据成为可能。然而,尽管深度学习在二维图像分析中已经非常流行,但是将深度学习技术应用于三维数据也面临着不同的挑战。与具有规则结构的2D图像不同,3D数据没有规则结构。因此,研究人员过去要么将三维数据转换成规则形式,要么进行精细的卷积运算,以克服三维数据的不规则性。在这项工作中,我们使用三维数据（点云和体积）的混合表示来克服与三维数据相关的结构问题。这项工作的主要贡献如下:·我们为3D对象分类和零件分割任务引入了一种新的深卷积神经网络。我们的网络结构直接以点云和体积作为输入输出对象类别或零件标签。利用点云的卷积结构将点云和三维体素的卷积结构嵌入到三维空间结构中,是实现点云空间结构灵活性的关键。·我们引入了一种体素特征编码器,在将点云输入深度网络之前,使用幅值向量和体素内所有点之间的欧几里德距离捕捉点云的局部关系。我们设计并研究了三种不同类型的体素特征编码器,各有优缺点。编码器的主要目标是提取点云的局部几何特征,以提高我们的网络捕捉三维物体更细粒度细节的能力。·我们验证了点云局部组内点的局部关系是提取更精细的三维物体细节的关键。同时,我们验证了体素大小对三维卷积运算时间复杂度的影响。此外,不同的局部区域采样方法被应用于体素内的采样点。最后,我们在 ModelNet10、ModelNet40、ModelNet50、XmuNonRigid 和Schelling基准测试了分类任务并且在ShapeNet-part基准测试了语义零件分割。在三维分类任务中,我们提出的方法在ModelNet10、ModelNet40、ModelNet50、XmuNonRigid 和 Schelling 基准上分别达到了 93.4%、88.2%、87.7%、94.5%和92.5%的分类精度。在语义零件分割任务中,我们的模型在ShapeNet-part基准测试中达到了 83.1%的mIoU准确率。