三维点云数据理解作为计算机视觉重要的一个分支,在智慧医疗、智慧城市和自动驾驶等领域都起着举足轻重的作用。然而,由于三维点云结构具有特殊性,使得传统的用于二维图像处理的深度学习技术不再适用。本课题围绕三维点云数据语义分割问题,以残差网络为基础,对三维点云数据的参数化卷积设计、深度学习网络结构设计与网络结构轻量化设计问题进行研究,具体内容如下:首先,针对现有参数化卷积普遍存在特征提取能力不足、鲁棒性差的问题,基于局部点云结构规则化的思想,研究一种立方体卷积运算模型,以提高点云语义分割模型的局部几何特征提取能力;设计多层卷积框架,在公开数据集上开展实验研究,验证本文提出立方体卷积在点云特征提取中的有效性,为点云数据的高精度语义分割提供保障。其次,借鉴二维图像领域中的主流网络框架,将立方体卷积与残差网络相结合,设计三维点云特征残差学习结构,以增强特征提取网络的表征能力;将k邻近插值算法与特征金字塔网络相结合,构建点云特征上采样网络,实现高层特征与低层特征的多尺度语义特征融合;在公开数据集上开展对比实验研究,验证本文提出的基于立方体卷积的三维残差特征金字塔分割模型在点云语义分割中的性能,为网络的结构的优化与性能的进一步提升奠定基础。最后,针对网络模型参数过多、计算效率低等问题,提出轻量级循环分组卷积,将U-Net网络结构与注意力机制引入到点云数据残差网络设计;在公开数据集上开展对比实验研究,验证本文提出的三维点云注意力残差语义分割模型可在保证点云数据语义分割精度的基础上大幅提升算法效率。