近年来,随着点云数据获取难度不断降低,以及相关处理算法的发展,点云在三维重建、地理测绘、虚拟现实等领域得到了越来越广泛的应用。由于技术的限制,现有设备获取的点云往往存在分布不均匀、有大量冗余点、包含一些噪声等问题。为了解决这些问题,研究者们在点云重采样技术上做了大量的研究。点云重采样指的是优化点云的位置和分布,以提升它在后续应用中的效果,它主要可以分为上采样和降采样两个方向。随着深度学习技术的迅速发展,近年来有一系列工作尝试将深度学习应用在点云重采样任务上。目前,基于深度学习的重采样方法大多忽视了点云中点的显著性差异,无法在整体上调整点云的分布。本文对点云的自适应重采样展开了研究,并提出了两种基于深度学习的算法,使重采样后的点云在显著性不同的地方密度也不同。具体来说,本文的工作分为以下两个方面:（1）提出了一个基于显著性预测和优化的点云降采样方法。该方法先使用一个神经网络预测输入点云的显著性,然后根据各点的显著性挑选出初始的降采样结果,最后使用另一个网络,在优化初始点云位置的同时,提供法向估计。为了训练我们设计的神经网络,我们还生成了一个包含法向、显著性等多种标签数据的数据集。在该数据集上的实验结果证明,我们提出的方法在表面距离指标和局部均匀性指标上表现优于现有的其他降采样方法。（2）设计了一个基于采样矩阵的点云重采样网络,能够生成任意点数的自适应采样结果。该网络先使用边卷积和我们提出的T-softmax结构学习一个采样矩阵,然后通过采样矩阵获得输出点云的目标分布,最后同时提取输入点云与目标分布的局部特征,并生成最终的采样结果。我们还提出了一种新的点云显著性算法,该算法同时使用了点云和网格两种信息,用于我们数据集中的显著性标签生成,后续的消融实验表明,使用该算法生成标签数据的效果比现有其他方法更好。实验结果证明,我们的网络在重采样的任务中,效果超过了目前其他上采样与降采样方法。