三维点云是计算机视觉领域的一种常用数据格式,相比于二维图像,点云数据中包含有场景的深度信息,所以其有比图像更广泛的应用领域。近年来,随着三维扫描设备的快速发展,三维点云数据的获取变得越加便捷、成本越加低廉。点云数据的精细分析是机器人环境感知的重要手段之一,是自动驾驶、机器人、工业检测等领域的研究热点。但传统方法设计的特征算子难以应对越来越复杂的应用场景,而基于数据驱动的深度学习方法在对点云的精细分析方面取得了极大发展。本文围绕三维点云的语义分割开展了相关的研究,设计并实现了在室内和室外场景下适用的语义分割算法,具体包括以下内容:1.针对如何从大尺度真实场景点云数据中提取语义分割的有效特征的问题,提出了一种基于双边结构的点云数据语义分割方法。通过分别利用点云的几何和语义特征,达到充分利用点云特征信息的目的。针对目前常用的最大值池化方式信息损失过大问题,构造了一种混合池化结构,以减少信息损失。然后利用注意力机制在空间、通道两种维度提取全局特征,滤除尺度噪声,增强特征在空间上的表现力。实验结果表明采用本文所述方法能够在不同应用场景下有效提升点云语义分割的精度。2.针对图像处理领域中已有的卷积神经网络结构无法直接以用于不规则分布的点云数据的问题,提出了一种能够应用于点云数据的卷积方式。首先根据局部区域内不同点之间多维度的度量关系来提取每个点的权重,构造卷积算子,将基于规则网格的卷积神经网络结构扩展至不规则网格形式的点云数据上。又通过引入体积比,增强网络对同一类物体几何形变的容忍度。实验证明本文所提方法能够有效地将卷积神经网络应用于三维点云数据。本文针对上述算法框架分别进行了定量和定性的测试,实验结果表明采用本文所述方法能够在不同应用场景下有效提取点云特征,因此可以将本文方法扩展至其它如三维重建、SLAM等需要提取点云特征的领域内应用。