随着无人驾驶、高精地图、智慧城市等新概念的提出,许多场景都需要进行以点云数据为基础的3D环境感知和交互,大规模点云场景下的感知算法的研究具有广泛的应用前景。点云是一种重要的三维几何数据结构,其可以准确、直接的反应真实的世界,因此本文以三维点云数据为载体,研究大规模点云场景下的分类、点云分割以及3D目标检测三个场景感知挑战任务。在大规模点云场景下的分类任务中,考虑到由于采样不均匀,传感器精度等因素的影响,提出了两种大规模场景下的点云滤波算法,旨在提高数据质量;因为点云数据在空间中具有高度的稀疏性和无序性,为此将点云结构特点与图的特点联系起来,提出了一种新颖的用于提取点云空间的局部几何关系算子——图嵌入式网络,利用点与点之间的相似性作为3D特征筛选依据,加强点云空间局部特征;为了全面的描述点云特征,根据点云空间分布的特点,设置了14个不同的点云观测视角对点云数据进行投影,补充点云2D特征信息,加强点云网络的局部特征表达能力;基于点云的2D特征和3D特征,设计了一种复合视觉特征的点云分类网络,在Model Net40数据集上验证了算法的有效性和鲁棒性。在大规模点云场景下的分割任务中,首先分析了传统的3D点云分割算法的局限性,因此为了尽可能多的保留点云的几何信息,设计了一种编码—解码结构金字塔注意力网络,在增大感受野地同时,来增强每个点的强语义特征,并结合图嵌入式网络设计3D点云语义分割网络框架,该框架均适用于零件分割和语义分割两种点云分割任务。在大规模点云场景下的3D目标检测任务中,将分类网络和分割网络进行组合,组成新的点云处理结构Pyram Net,增强点云特征的表达能力,3D目标检测框架在点云空间中的列方向上进行特征编码,并应用Pyram Net进行多尺度特征提取;其次,设计了一种新的三维区域候选网络（3D Region Proposal Network,3D RPN）——3D Matrix,通过在不同方向上进行降采样,更好的适应不同宽高比的物体;最后在KITTI验证集上证明网络结构的有效性和可行性。综上所述,本文将传统算法和深度学习技术相结合,处理大规模点云场景下的三种场景感知任务,在权威的数据集上验证了上述研究的有效性和可行性。