三维点云分割是将点云分割为多个具备相同语义的点集的过程。由于点云数据本身存在着高冗余度、采样不均匀、缺乏纹理等问题,因此点云的语义分割极具挑战性。近段时间,深度学习在三维研究领域大放异彩,推动了技术的演进和研究的深入,在三维语义分割领域,各类深度学习方法百花齐放,但现有的方法仍未能充分利用场景或模型中普遍存在的全局依赖和类别间的语义关联,为此,本文从注意力机制出发,通过设计关系学习网络层来对特征进行平滑和增强,从而提高特征在各类别上的显著性,本文提出的两种方法由浅入深,最终基于这两种方法构建了点云语义分割原型系统,本文的主要成果包括以下三点:（1）基于自注意力机制的渐进式三维场景分割方法三维室内场景点云分割是将点云表示的原始场景分割成带有语义标签的点云。为了缓解大规模室内场景普遍存在的点云类别不均衡问题,并且充分利用场景本身存在的层次性,我们提出了一种渐进式的分割策略,将场景分割成“背景”和“前景”,并且设计了适用于子流形稀疏卷积网络的自注意力模块来对全局依赖和上下文关联进行建模,增强了特征的表征能力。通过使用该网络框架,可以对每个输入框架的点云赋予一个对应的语义标签,为了验证该网络框架的有效性,我们进行了一系列的佐证实验,实验结果表明,本文提出的网络模型能够较好的处理三维室内场景,在标准数据集下表现突出。（2）基于上下文先验的三维通用语义分割方法为了充分利用场景和模型中隐含的上下文信息,明确类别边界,缓解由于连续卷积操作带来的边界特征模糊问题,本文构造了一个可学习的上下文先验模块,用来将类内和类间的依赖关系建模为先验知识。通过上下文先验矩阵对同类特征进行平滑,对不同类特征尽可能使之疏离,提高不同类特征的区分度,减小模型搜索空间,加快收敛。同时为了构建全局依赖,我们在模块内后置一个自注意力模块,用来对已经具备上下文语义关联的特征进行一次聚合,对特征进行二次强化,提高模型的分割精度。实验结果证明,本文提出的上下文先验模块具有很强的拓展性和广泛的适用性,并且在模型和场景语义分割数据集上都取得了不俗的表现。（3）PointSeg三维点云分割系统的设计与实现为了更好的开展三维点云分割工作,我们将第二章和第三章的工作进行了归总,并将其成功整合成了一个方便研究人员和用户使用的可交互系统,该系统内嵌了本文提出的两种网络模型,可以对输入的点云进行分割处理,同时进行可视化对比。从软件设计和功能实现的角度,我们对该系统进行了全方位的阐述,并且进行了演示,来展示系统的主要功能和实际效果。