近年来,三维点云分析在计算机视觉、机器人以及自动驾驶等许多领域得到了广泛关注。传统的点云分析方法通过人为定义的规则或手工设计的特征提取点云的特征表示。这类方法依赖于启发式的先验知识,因此不能很好地处理复杂的点云场景。随着深度学习技术的蓬勃发展,越来越多的研究人员将这一技术应用到点云分析中,并在各种点云分析任务中取得了显著效果。然而,点云具有不规则性、无序性以及稀疏性等特性,这使得如何高效地提取点云的局部特征仍然是一项极具挑战性的工作。同时,作为最基本的视觉任务,点云语义分割在实际应用中具有重要的指导价值。现有的语义分割方法在处理复杂的点云场景时,由于缺少足够的语义上下文信息,会产生大量的误分割结果和噪声问题。本文针对上述两个问题,分别提出以下两个工作来高效提取点云的局部特征以及改善点云的语义分割性能。首先,本文提出了一种新的卦限卷积神经网络（Octant Convolutional Neural Network,Octant-CNN）来高效地提取点云的局部特征。该框架由卦限卷积模块和下采样模块组成。针对输入点云,卦限卷积模块首先定位每个点在八个卦限内的最近邻点,接着通过多层卷积操作将八卦限中的几何特征抽象成语义特征,并将低层几何特征与高层语义特征进行有效融合,从而实现了利用卷积操作高效提取三维邻域内的局部结构信息;下采样模块对原始点集进行分组及特征聚合,从而提高特征的感受野范围,并且降低网络的计算复杂度。Octant-CNN通过对卦限卷积模块和下采样模块的分层组合,实现了对三维点云进行由底层到抽象、从局部到全局的特征表示。实验结果表明,Octant-CNN在对象分类、部件分割、语义分割和目标检测四个场景中均取得了较好的性能。其次,本文提出了带有局部聚合分类器的反向注意力融合网络（Backward Attentive Fusing Network with Local Aggregation Classifier,BAF-LAC）解决点云语义分割缺少足够的上下文信息的问题。该网络由一个反向注意力融合的编码-解码器（Backward Attentive Fusing Encoder-Decoder,BAF-ED）和局部聚合分类器（Local Aggregation Classifier,LAC）组成,其中BAF-ED用来学习语义特征,LAC确保点的上下文感知能力。具体而言,BAF-ED弥补编码器和解码器之间的语义差异性。在编码器中,每一层编码特征均通过高层特征派生的注意力图进行增强,并与相对应的解码层特征进行融合。LAC通过将邻域内点的特征聚合到中心点,从而改善分类器只针对单点进行分类,分类结果缺少上下文一致性的问题。通过这些模块,BAF-LAC可以提取出具有高区分度的语义特征,使得预测结果更具平滑性。在Semantic3D,Semantic KITTI和S3DIS上进行的大量实验表明,本文提出的方法可以获得具有竞争力的结果。