点云的形状信息旨在根据学习到三维点云的特征进行语义级别的理解。目前的深度学习框架很少考虑到点的局部邻域信息,导致丢失一部分局部信息而使点云的形状表征能力不高,从而影响到三维点云分类分割、目标检测等任务的性能。此外,对点云的排列不变性的处理和局部特征的框架设计无法很好的获取形状信息使得辨识能力停滞,而在设计深度学习框架来学习点云特征的时候也较少重视框架的大小。针对以上几个问题,本文将进行以下研究:第一,研究三维点云深度学习框架中不同层的作用并如何结合来更好的捕捉形状信息。首先,基于深度学习对点云形状表示的理论进行研究,分析框架设计中各个部分的作用并重新设计网络框架中局部特征获取模块。其次,针对框架设计中的缺陷提出多尺度输入顺序学习模块更好地根据点云特性来学习点云的特征。第二,研究考虑邻域边缘特征后增强的局部特征学习方法在三维目标检测中对物体中心和边界框预测的相关理论。根据二维成熟目标检测来减少三维目标的搜索范围,对包含每一个目标的点云利用考虑边缘特征提取局部特征的方法来更加准确地对物体进行实例分割。进一步预测三维目标的中心和大小能提高三维目标检测的精度,在KITTI数据集三个类别上分别提升了接近1%的平均精确度。第三,研究注意力机制在三维深度学习中的应用以及应用方式的相关理论。针对三维点云中局部邻域信息的获取与注意力机制如何结合进行深入研究,经过加入注意力机制的局部特征学习模块能更加有效地关注局部邻域中不同点对局部结构的影响力。通过在ModelNet10数据集、ModelNet40和ShapeNet数据上进行验证来展示此方法的优越性,分别达到93.8%的总体精度、92.2%的总体精度和84.2%的平均类别精确度。