点云的法向是各种点云处理任务中的基本特征,随着深度神经网络的兴起,最近已经有相当多的利用深度学习方法的点云法向估计方法被提出,相比于传统方法,这些基于深度神经网络的方法无论从速度上还是精度上都取得了巨大的成功。然而,大多数基于深度的方法都采用从输入数据提取出的特征直接回归法向量这一思路,这对于存在异常值的数据来说,往往表现得很差,对训练数据十分敏感。同时,这使理解黑盒模型中点云法向量估计机制变得十分困难。因此,本论文希望在利用深度网络的同时,将特定于问题的知识引入到深度神经网络中进行法向量的估计,在提升性能的同时有更多的可解释性。为此,与以往的深度网络直接采用回归的方式不同,本论文基于从输入中学习一个结合特定知识的表示,再从这个表示中获取查询点法向的思想,完成了两项工作:法向估计的潜切空间表示和几何引导的深度表面法向估计。在第一项工作中,本论文提出TRNet网络结构,希望可以学习一个潜在切空间表示,再通过网络中的DASC模块进行正则化估计查询点法向量。具体而言,对于每个查询点,切平面空间的潜在表示是一组位于查询点切平面上的点,且该表示仅使用其邻居点的坐标生成,并由一个可微的类RANSAC组件进行正则化,这使得TRNet对法向的估计更加精准可信。同时,本论文还设计了一个多尺度专家网络MTRnet,以利用多尺度邻域训练的优势,提高估计结果的准确性。在第二项工作中,本论文进一步提高了点云法向估计中特定知识和深度网络的结合,设计了一种几何引导的神经网络架构,用于对非结构化点云进行稳健且保留细节的表面法向量估计。其由权重学习子网络WL-Net和轻量级法向学习子网络NL-Net组成,WL-Net首先预测逐点权重,从输入生成表示性更强的优化点集（OPS）。然后,NL-Net可以从OPS中估计更准确的法向量,尤其是在局部几何复杂的情况下。为了提高WL-Net的权重学习能力,本论文在网络中引入了两个几何引导。首先,使用相邻点与查询点的真值切平面之间的偏差设计指导权重,这种偏差指导为与切平面确定的一些可靠内点和异常点相对应的权重提供了“基本事实”。其次,通过最小二乘拟合,将多个尺度的法向信息整合到输入中,使性能和鲁棒性进一步提高,且不依赖于多尺度分支网络,在提升精度的同时减小了网络规模,提高了模型运行效率。