随着三维成像技术的发展,三维数据的获取变得越来越便捷。三维点云作为三维数据表示的形式之一,由于其在复杂场景重建和物体形状表达方面具有独特的优势,所以在增强现实、智能制造和自动驾驶等需要感知环境、识别物体的应用场景中,如何使用三维点云数据进行识别逐渐成为研究的热点。本文以三维物体识别系统中的三维点云数据为研究对象,面向三维场景理解、三维目标检测等实际应用需求,研究基于图卷积神经网络的三维点云识别方法,尤其是基于残差图卷积神经网络的点云分类算法以及基于层次图注意力网络的点云语义分割算法,实现准确度高、参数量少、可移植性好的点云识别方案。围绕上述研究目标,本文主要创新点及成果归纳如下:（1）提出了一种基于残差图卷积神经网络的点云分类算法针对基于图卷积神经网络的点云分类算法,由于层数较浅不能提取到包含语义的点云深层特征而限制了分类准确度提升的问题,提出了一种基于残差图卷积神经网络的点云分类算法。该算法结合了基于残差学习的设计思想,构建了一个图卷积深度神经网络以提取点云的深层语义特征,并采用多尺度特征融合的图金字塔池化模块进一步提升识别精度。经实验验证,所提出的算法在合成的三维物体数据集上分类准确度达到了93.4%,较浅层图卷积模型提升了0.5%的分类准确度;且在真实的三维扫描物体数据集上也达到了平均85.0%的分类准确度。（2）提出了一种基于层次图注意力网络的点云语义分割算法考虑到点云分类模型更注重于使用全局特征信息对单个对象进行识别,而点云语义分割任务则需要识别场景中的多个对象,所以直接扩展点云分类模型用以处理点云语义分割任务会导致分割精度的下降。针对这一问题,提出了一种基于层次图注意力网络的点云语义分割算法。该算法充分利用了图注意力网络能够更好处理细节处特征的能力,并通过应用编码器-解码器的层状网络结构,恢复了在编码器阶段由于提取深层特征而丢失的空间信息。实验结果表明,本文算法相较于基准算法在室内三维场景点云数据集和精细标注的零件分割点云数据集上分别提升了0.5%和0.7%的分割精度,并且在可视化效果上有着更为准确的细节分割结果。（3）实现了点云识别算法在人工智能芯片上的移植部署以上述基于图卷积神经网络的点云识别算法为核心,经模型转换、模型压缩、模型加速等步骤,将训练好的模型部署在基于智能芯片的加速卡上。部署后的模型经实验,能以不到英伟达显卡十分之一的功率处理点云识别任务,且精度仅平均下降了3.5%,实现了可便携、低功耗的点云识别模块,验证了本项工作的有效性和可移植性。