点云是计算机视觉中重要的数据格式之一,被应用在自动驾驶、机器人、虚拟现实等领域。随着激光雷达性能的增强,点云数据的获取也变得更加容易,对点云数据的处理也提出了更高的要求。点云的目标分类是点云研究的重要分支,是其他下游任务的基础。目前许多基于深度学习的点云分类方法在特征提取方面未能很好地将全局特征和局部特征相结合,导致网络的精确度不高。另一方面,设备在采集点云数据时容易受到周围环境的限制,使得采集到的点云发生各种类型的损坏,这些损坏给点云分类带来了更大的挑战。针对上述问题,本文深入展开点云分类任务相关研究,具体工作如下:（1）研究聚合全局特征和局部特征的多尺度点云分类网络。首先在采样阶段,使用一种全局采样方法,通过简单的神经网络输出一定数量的点云,并与初始输入集合做匹配操作,输出的点云是保持几何形状的重要点云,更好地保留了全局特征信息。其次借鉴图卷积神经网络聚合局部特征的方法,设计以输出点为中心的局部有向图,学习邻域的局部语义信息,并采用图卷积的方法提取局部特征。最后,结合两种方法设计多尺度点云分类网络Point MSS。实验结果表明,Point MSS在Model Net40和Scan Object NN数据集上的总体精确度分别达到了93.6%和80.7%。同时,减少采样点数量验证全局采样法的有效性,结果表明,全局采样在点云数量减少时精确度下降幅度小,具有较好的性能。（2）研究应对点云损坏的数据增强方法。分类网络通常专注于提高特征提取的效果,但这不足以应对损坏的数据。本文考虑用数据增强方法解决此问题,并主要设计了单样本和多样本两种点云增强。第一种为点云的局部形变,首先把点云分成若干个部分,然后在每个部分执行旋转、缩放和平移的结合变换,最后用核回归函数调整变换后的形状。第二种为点云的样本混合,以陆地移动距离定义点云最小距离度量,然后用一个样本中的数据替换另一个样本的数据,达到数据的平滑混合。在Model Net40-C和Model Net-C两个点云损坏数据集上验证方法的效果。实验结果表明,形变增强在变换损坏类型下表现良好,混合增强在噪音损坏类型下表现良好,说明数据增强能有效提升网络的鲁棒性。