在计算机视觉领域中,三维点云识别技术是一个极其重要的研究方向。近年来,基于深度学习的方法在三维点云识别任务中表现突出,相比传统的点云识别方法具有巨大的优势。但目前基于深度学习的三维点云识别方法仍存在局部结构特征表达能力不足以及网络模型的时间和空间复杂度较高的问题。因此,为了进一步提高网络模型的识别能力以及减少时间和空间复杂度,本文基于深度学习的三维点云识别方法进行研究。本文主要研究工作归纳如下:（1）为了获取三维点云局部区域多尺度特征的相关性,提出一种基于双向卷积长短时记忆网络的三维点云识别方法。该方法采用双向卷积长短时记忆网络捕获局部区域多尺度特征的相关性,以增强局部结构特征的表达能力。双向卷积长短时记忆网络由前向支路、后向支路以及融合单元组成;前向支路和后向支路分别按照尺度从小到大和从大到小的方向学习局部区域多尺度特征的相关性,通过融合单元来融合前向支路和后向支路的特征。此外,在卷积层中引入密集连接的方法,将双向卷积长短时记忆网络输出的局部结构特征进行复用,来获取更丰富局部结构特征。实验结果表明,与当前基于深度学习的三维点云识别方法相比,所提出的方法能够获得更高的识别准确率,说明该方法所提取的局部结构特征具有更强的表达能力。（2）为了降低三维点云识别方法的时间和空间复杂度,提出一种轻量级的三维点云识别方法。该方法利用改进的K近邻图来表示点云的局部结构,相比使用原始输入点云中的每一个点作为图的节点,通过使用最远采样法获取的采样点作为图的节点能够大幅度减少冗余的局部结构,同时降低网络模型的计算复杂度;使用1×1卷积提取图的边缘特征,并使用注意力机制来聚合图的边缘特征以增强局部结构特征的表达能力。此外,考虑到使用多层1×1卷积进一步提取高层次的局部结构特征会增加网络模型的参数量,提出一个分组卷积模块在保证提取有效特征的前提下减少卷积层的参数量。实验结果表明,该方法的识别准确率达到当前主流方法同等或更优水平,并且时间和空间复杂度大幅度降低,同时保持较高的鲁棒性。