近年来,室内三维模型构建技术不断进步与发展,已广泛应用于室内导航、BIM模型构建、虚拟现实(Virtual Reality,VR)等领域中。三维激光点云是当前在室内三维模型构建中广泛使用的数据源,三维激光点云语义分割是构建室内三维模型中的关键技术之一,随着深度学习在二维图像分类、分割与识别任务中的广泛应用,基于深度学习的三维点云语义分割方法受到越来越多的关注与研究。PointNet网络是直接以点云为输入的深度神经网络的开山之作,具有重要意义,然而该网络结构主要提取点云的全局特征,忽略了对局部特征的学习与提取。针对原PointNet网络的缺点,为了提高点云分割的精度,本文以原PointNet网络为基础,对其网络结构进行改进提出了PointNet-Pro网络,为验证PointNet-Pro网络的有效性,还构建了室内建筑数据集进行实验对比。本文具体工作如下:(1)在点云无特定顺序、无特定空间拓扑结构的基础上,根据室内不同建筑元素的反射强度信息差距较大的特点,将点云的三维坐标信息,颜色信息与反射强度信息(Intenity)输入到点的特征空间。在网络结构的构建过程中,本文使用了基于R邻近的邻域采样算法,以不同的球半径为阈值寻找每个点的邻域,并对该邻域进行高维特征提取,提取得到的特征作为输入点云的局部特征。在特征提取步骤中使用3×3的大卷积核替代原PointNet网络结构中的3×1卷积核,以提高网络整体的特征提取能力。在斯坦福公开数据集(S3DIS)的语义分割实验表明该方法有效可靠,与PointNet网络分割结果进行对比,PointNet-Pro网络在各个类别的分割精度上都有提高,其中交并比(IoU)提高了4.1%。(2)创建了一个具有多种室内场景,含有8种不同类别,点云较为稠密的室内点云数据集。在创建数据集过程中首先使用站载扫描仪对学校内某一建筑物室内主要场景进行点云扫描,并特意保留扫描过程中得到的反射强度信息。在得到原始点云后,对原始点云进行配准、去噪、抽稀等操作进行数据预处理。在数据预处理后,对点云数据中的每一个点标定添加标签,并将数据集切分为训练集,验证集与测试集。最后,在该数据集上进行对比实验,实验结果显示,改进的网络可以对墙、门等建筑元素分割精度可达80%以上,所有建筑元素平均分割精度可达66%。