近年来,随着深度学习技术的发展,2D图像的场景理解取得了重大进展。然而,由于自动驾驶、机器人和虚拟（增强）现实的应用兴起,对于3D场景理解和3D场景数据可用性的需求迅速增加。目前,基于深度学习的方法被广泛应用于处理各种3D任务,如语义分割、对象识别、全景分割和实例分割等。三维实例分割需要在没有固定标签集的情况下,基于实例对三维点进行精确的分割。3D实例分割的方法主要分为两类:基于候选区域的实例分割和免候选区域的实例分割。但这些方法应用到大场景的分割中还有很大的局限性。为了解决大多数三维点云实例分割方法只能在分割的小块点云上训练和测试,获取的点云特征不准确,以及预测边界框与地面真值不匹配等问题。本文研究了如何从大规模点云中学习有效的特征进行实例分割,以及在二维驱动三维物体检测中如何使获取的点云特征更加准确。主要研究内容如下:1、针对现有的三维点云实例分割方法由于采样方法的限制以及原始点云都是非结构化、无序的,大多数方法仅能在小尺度的点云上进行训练和操作的问题,提出了利用随机采样的方法对点云进行采样,同时引入了局部特征聚合模块学习局部特征,以此来获得点云中每个点的局部特征。除此之外,考虑到最大池化操作会破坏点云的完整信息结构,使得局部信息与全局信息难以交互,提出使用全局上下文特征块来获得点云的全局特征。该方法利用体积比对局部和全局边界球体的内部点的位置不敏感,所以使用位置和体积比来表示全局特征。全局上下文特征块实现局部与全局信息融合的同时,显著提高了物体实例分割的准确性。之后将获取的点云全局特征和局部特征输入到3D-Bo Net网络框架实现3D实例分割。该方法在具有挑战性的数据集Scan Net（v2）和S3DIS上的实验结果表明优于以前先进方法,在Io U阈值为0.5时,m AP达到了49.36。2、针对二维驱动三维物体检测中由于分割网络预测的边界框不准确,导致在现实场景中点云准确率下降的问题。本文提出使用3D-Bo Net网络实现物体检测。先借助图像生成二维区域建议并定位在三维点云数据中,然后通过基于3D-Bo Net的分割网络和三维包围盒评估网络,实现二维驱动三维的目标检测。为了避免在二维驱动三维目标检测过程中,提取的三维点云特征严重依赖于RGB图像,我们使用卷积注意力机制（Convolutional Block Attention Module,CBAM）,帮助网络学习数据中的重要信息,做出更加准确的判断,从而让提取的点云特征更准确。实验结果表明,与以前的最新技术相比,该方法在m AP方面提高了1.8%至13.7%。