场景语义分割是计算机视觉中的基本问题,其主要任务是针对给定的二维图像或者三维点云,采用语义分割算法将图像中每个像素点或者三维点云中每个点进行分类,输出预先定义的语义类别。目前,由于2D卷积神经网络技术比较成熟,基于二维图像的场景语义分割研究取得了丰硕的成果,这些成果广泛应用于智能安防、自动驾驶和医学诊断等领域。但是,人类所生活的世界是一个三维空间,二维图像存在遮挡现象,无法完整地展示三维场景的全部信息;同时图像质量易受相机参数和光照等影响,导致算法的适用范围受到限制。而三维点云保留了丰富的几何信息,能有效地表达三维场景的全部信息,因此,采用三维点云数据对现实三维场景进行研究显得十分必要。本文针对基于三维点云数据的三维场景语义分割问题,调研现有文献中的各类方法,发现在解决三维点云无序性问题和提取三维点云间特征联系两个方面存在优化的空间,本文从这两个方面入手进行三维场景语义分割研究,主要包括以下两个部分:(1)三维点云的无序性问题通常使用对称函数Max-pooling来解决,然而Maxpooling函数的计算机制是保留特征值最大的元素同时舍弃其他元素,这种计算机制会造成网络中特征信息损失。针对此问题,本文提出基于注意力机制的特征融合算法,将输入到Max-pooling函数的点云特征和Max-pooling函数输出的点云特征以注意力机制的方式进行融合。特征融合不仅能补偿由Max-pooling函数造成的信息损失,同时也能使三维点云包含丰富的高层语义信息,能显著地提高语义分割精度。(2)三维点云中的点之间存在特征联系,这种联系中包含丰富的空间几何信息,是点云特征的重要补充信息。为提取这种特征联系,本文提出基于点云间关系推理的语义分割算法。该算法使用6)-近邻算法构建局部区域,并利用图卷积网络对局部区域中的中心点进行特征提取,然后将中心点特征组成特征序列,送入由双向长短期记忆网络构成的关系推理网络中对点云间的关系进行推理,实现提取点云间特征联系的目的,实验结果表明这种特征联系能极大地提高网络模型的性能。