随着三维扫描仪和深度传感器技术的广泛应用,获取三维点云数据的方式也更加简便,基于深度学习的三维建模任务如今已经成为一项热门研究。然而,三维点云具有无序性和不规则性,是一种非欧几里得域的数据,直接在三维点云上获取到它的语义特征仍然具有一定的挑战性。目前的深度神经网络如PointNet网络、PointNet++网络等在特征提取的思想中,往往将三维点云的全局特征和不同尺度下的局部特征相结合,反而忽略了点与点之间的结构信息和位置关系。图（Graph）作为一种非结构化的数据类型,其中各个节点之间的相互关系可以通过图卷积的方式表达出来。因此,基于图卷积神经网络的三维点云分割方法能够很好地适用于离散的三维点云的建模任务。为了丰富三维点云的语义特征,本文提出了两种不同的图卷积神经网络,主要研究内容包括:（1）为了更好地提取3D点云的局部特征,提出一种融合点云的方向和距离的图卷积神经网络算法。该算法通过丰富点云的邻域点集合来增强点云特征,首先比较点与点之间的余弦相似度来构建相似度矩阵,然后利用K最近邻（KNN）算法选择最相似的K个点形成局部邻域图,并在邻域图中以任意两个点之间的距离为基础来获取图中的边缘特征,以图卷积的形式来丰富三维点云的上下文语义表示。另外,针对三维点云的目标分类任务,该算法将传统的交叉熵损失函数与中心损失函数相结合,从而提高了分类的准确率。（2）为了更进一步地学习到点云的边缘细节特征,提出一种强化点云边缘特征的图卷积神经网络算法。该算法首先搜索三维点云中所有点的空间邻居并将它们连接成为一个全局有向图,然后将图中顶点的位置差异、节点的位置偏移特征以及点与点之间的相对位置关系三者进行特征拼接从而获得图中每条边的边缘特征。接着应用注意力机制为图中不同的边缘分配不同的权重值来达到对边缘特征的进一步强化的目的。该算法还应用Sobel算子原理,对三维点云的语义标签进行预测,简化了算法复杂度。另外,在网络训练的过程中,通过将传统的交叉熵损失函数与改进的表面损失函数进行适应性结合,形成的多元损失函数有效提升了分类和分割的性能。以上两种算法都在目标分类任务、部件分割任务和室内语义分割任务上进行了大量的实验,涉及ModelNet40数据集、ShapeNet Part数据集和S3DIS数据集这三个公开数据集。实验结果表明,这两种算法在三维点云的分类和分割任务上均表现出了较为成熟的效果。无论是从语义分割的平均交并比（mIoU）还是从整体的分割准确率（Accuracy）的角度上看,本文提出的两个网络模型都与当前主流的三维点云分割模型相比有较大的提升。