点云是一类由深度相机、三维激光扫描仪等设备获取的海量点的数据集合,它可以完整地保存模型的几何信息,不需要任何离散化处理,而且表示也十分简单。由于使用方便,它被越来越多地应用到了三维重建、逆向工程、无人驾驶等领域。但是在数据采集过程中,常常会因为物体的遮挡、设备的噪音等因素影响,导致生成的点云稀疏且不均匀,使用这样的点云来进行三维重建、逆向工程等任务是困难的,因为缺少点,无法捕捉到局部的空间几何信息,所以点云的上采样方向应用而生。它的目的是采用方法,将一个稀疏点云转换为密集点云,并使得点和点之间均匀分布。本论文提出一种基于对抗神经网络的三维点云上采样网络,称为CM-Net（Circular Multi-Frequency Network）环状多频网络。它包含Generator生成器和Discriminator判别器两部分。Generator生成器的目的是将输入的稀疏点云转换为密集的上采样点云,并使得点和点之间均匀分布。它由环状排列、密集连接层、多频率池化、基于正多边形的Code码四个模块构成,Discriminator判别器由两层特征提取器构成,可以判别输入点云的真假,两者之间相互抗衡,最终使得Generator生成器生成的点云更加真实,Discriminator判别器的判别能力更加精进。通过在已有的数据集上训练网络,进行两组对比实验测试,结果显示本CMNet网络生成的上采样点云在整体几何形状方面符合Ground Truth真实点云表面分布,而且在点均匀度方面已经远远优于三种现有方法,证明网络能够很好地学习点云潜在的几何信息,补全缺失的点,并使其均匀分布。