3D视觉领域目前正蓬勃发展,针对原始三维点云数据的处理成为新的研究热点。三维点云特征提取方法是三维点云数据处理技术的关键组成部分之一,越来越多地被科研人员关注。但点云数据的无序性、不规则性和稀疏性,为三维点云数据的处理带来较大的挑战。为进一步提高基于深度学习方法提取的三维点云特征的质量,本文从网络设计优化和难例挖掘两方面对三维点云特征描述方法进行研究,主要研究内容和创新之处如下:（1）基于多分组表征和注意力机制的特征提取方法。三维点云数据特征提取过程中,点云本身的稀疏性和不规则性会影响输入数据的全局特征表示,且现有方法未考虑不同特征通道的重要性差异,不利于点云特征的全局优化。针对以上问题,提出一种基于多分组表征和注意力机制的MANet网络用于描述三维点云特征。首先,将点云输入多分组表征模块获得初始点云特征。然后,引入新的通道注意力机制强调对特征表示重要的通道,抑制不重要的通道,进一步优化特征表示。最后,将优化后的特征输入点云识别网络。实验表明,所提方法能够有助于提高点云识别的鲁棒性和准确率。（2）基于难例挖掘的三维点云特征提取方法。为进一步提高三维点云特征的可鉴别性和鲁棒性,设计了一种难例挖掘模块,可提高特征提取网络的识别性能,使特征提取网络输出更高质量的点云特征。难例挖掘模块的作用是计算训练样本的损失值,然后对其进行排序,从中选择部分损失值较大的样本进行网络权重更新。难例挖掘模块可进一步提高模型的表征能力,在Model Net10/40数据集的实验结果均表明,所提方法可以提高网络的分类效果。图19幅,表6个,参考文献89篇。