随着三维点云的使用范围越来越广泛,基于三维点云的对象表示和分类技术的需求变得越来越大,同时也促进了三维点云分类和识别的发展。三维点云分类已经被广泛应用于机器人导航和三维场景理解中,然而现有的关于三维点云分类的深度学习方法通常存在特征提取不足以及忽略点云的全局上下文关系,并且许多用于点云的神经网络往往会忽略对点云物体上一些重要区域的关注导致了一些有用的信息未被提取进而造成了分类精度低的问题。因此,论文主要围绕获取点云的全局上下文特征和关注三维点云的重要区域及有用信息展开研究,重点设计关于三维点云的分类方法,具体研究工作如下:（1）针对现有的基于深度学习的三维点云分类方法存在特征提取不充分、全局上下文关系被忽略的问题,提出了一种基于双重注意力机制的三维点云分类方法（DAM-Point Net VLAD）。通过使用双重注意力网络来提取局部结构特征以及全局上下文信息,图注意力机制主要用来学习三维点云的局部集合表示,自注意力机制可以检查所有点之间的空间关系,从而挖掘三维点云的上下文全局信息,并进一步使用VLAD层将每个点的几何描述符与视觉单词相关联来间接描述其高层语义信息。实验结果表明,所提出的DAM-Point Net VLAD网络框架在Model Net40数据集上达到了92.69%的分类精度。（2）针对基于深度学习的三维点云分类方法中对点云上一些重要区域关注有限,在聚合特征时通常会忽略掉一些邻域特征中的有用信息,提出了一种基于注意力和自适应图卷积的三维点云分类方法（Att-Adapt Net）。主要将自适应卷积核与图卷积结合起来构成自适应图卷积以此来获取三维点云的全局特征,并利用全局注意力机制来计算每个点的注意掩码,将其与自适应图卷积结合来关注特征区域,构建成了Att-Adapt Net网络。实验结果表明,所提方法在Mode Net40开放数据集上获得了93.3%的分类精度。