三维形状的结构分析是三维视觉领域内的重要研究内容,在机器人抓取和场景理解等方面具有非常重要的应用。随着激光雷达等设备的逐步成熟和点云扫描技术的不断发展,点云数据也得到了越来越广泛的使用。因此,点云的结构分析与理解成为一个重要的研究问题,而预测关键点或者结构点是解决这一问题的有效方式。二维图像中的许多关键点检测技术都已经成功移植到三维点云模型上来,比如SIFT算子和Harris角点等。SIFT算子预测出的关键点分布不均匀,稀疏的部分会对模型的结构分析造成影响;Harris角点检测主要利用点云强度或者法向的变化,关键点主要分布在模型的轮廓部分,内部强度或法向变化较小的部分关键点很少,也会影响对模型的整体结构分析。随着深度学习技术的不断发展,深度神经网络已经可以进行点云模型的结构点预测工作,并且结构点之间具有跨模型的对应关系。但是该方法在神经网络深度过大时会导致预测准确率达到饱和甚至出现下降;当场景里存在多类物体时,该方法对每一类物体都需要单独训练一个神经网络,混合多类物体一起训练效果很差。本文提出了一种新型的神经网络,引入了残差单元来解决层数较多而造成的准确率达到饱和或下降的问题,设计了改进后的倒角距离作为损失函数来改善网络对多类模型混合训练的效果。综上述所,本文的主要贡献如下:1、设计了一种新型的神经网络来完成多类别物体点云模型的结构点预测工作。根据残差网络的思想设计了点云特征整合模块,来减小层数较多对于预测准确率的影响,使预测出的结构点分布更加合理。2、设计了改进后的倒角距离作为神经网络的损失函数,使神经网络的泛化性能得到提高,能够在一个网络中训练多类物体,减小了工作的成本。本文分别采集了 ShapeNet数据集中500个飞机模型、500个椅子模型、500个汽车模型和全部200个自行车模型作为神经网络的训练集,又分别采集了 125个飞机模型、125个椅子模型和125个汽车模型来组成神经网络的测试集。为了展示与评估该神经网络所预测结构点的分布效果,本文分别开展了结构点预测实验和标签传递实验,介绍了每项实验的设计和实施方法,给出了实验结果并进行了分析。通过实验验证,本文设计的新型神经网络在深层次、多类别的场景下有着较好的效果。