近年来随着低成本小型化三维传感器的大量涌现,三维形状模型的获取变得越来越容易,三维形状模型的识别和分析成为了越来越受重视的研究方向。随着深度学习的迅猛发展,对三维形状的研究也从手工特征提取转向了深度神经网络。三维形状有多视角图像、体素、点云、多边形网格等多种表示形式。本文针对三维点云数据的分类任务,总结了现有的几个深度学习模型——Point Net、Point Net++、Point CNN和kd-network的优缺点。在此基础上,设计并实现了三种基于Tensor Flow的深度学习点云分类模型。(1)提出了一个高效的融合KD tree的深度学习点云分类模型。针对Point Net++分层模型在处理点云分类任务时耗时较长的问题,本文在Point Net++分组层中加入了KD tree结构,通过在三维点云中构建树并进行邻域查询以创建局部区域集,然后输入到mini-PointNet中进行特征提取。同时针对网络过拟合问题,增加了dropout抑制网络对训练样本的过度拟合,减少了网络收敛时间。改进模型在Model Net40数据集上的分类结果表明,当查询半径为0.3m时分类准确率能达到92.5%,优于Point Net++分层模型。改进后的模型在Stanford 3D semantic parsing数据集的语义分割任务中,MIo U达到57.2%,表现出了更好的鲁棒性。(2)提出了一个基于改进softmax分类器的深度学习点云分类模型。针对softmax模型存在的参数冗余问题,在softmax代价函数中加入权重衰减,得到一个改进的softmax分类器。将改进的softmax分类器置于PointNet深度模型全连接层之后,使全连接层输出的k类分数归一化为(0,1)内的实数概率,以便于理解。实验分别在二维数据集MNIST和三维数据集ModelNet40上对模型进行评估。对于二维形状分类,该模型的分类精度达到了99.7%,对于三维形状分类,该模型输出准确率为91.1%,均超过了Point Net分类算法,证明了提出的模型在三维点云分类任务中的有效性。(3)提出了一个新的基于GCN的点云分类模型。针对PointNet模型没有考虑到局部特征的问题,本文设计了一个kNN graph层,在点云空间构造k近邻图,利用图结构对局部信息进行编码,从而更有效地利用点云的局部信息。分类实验在ModelNet40上进行,对比了不同近邻值k对模型分类精度的影响。结果表明在k取20时,分类准确率最高,达到了93.2%。