三维点云场景理解的分类与分割任务是分析三维点云数据的基础,广泛应用于自动驾驶、遗迹保护、测绘地理、医学检测等实际应用中。随着深度学习和三维点云采集技术的不断发展,研究学者开始对点云的分类与分割方法进行大量研究。目前已有的大多数方法虽然解决了点云的无序性、非结构性以及信息不完整性等问题,但仍未充分挖掘点云的细粒度局部几何信息和上下文信息,存在“表观相似目标不能有效区分”、“小目标误分割”以及“分割边缘粗糙”等问题。针对上述问题,本文主要研究了基于特征融合的三维点云场景理解,实现三维场景理解中的形状分类、零件分割和语义分割任务,并侧重围绕点云的形状特征、局部几何特征、空间上下文信息及特征融合等内容展开研究。本文完成的主要工作如下:1.提出了一种融合细粒度多尺度信息的特征提取方法针对现有方法存在的未充分挖掘点云细粒度局部几何特征导致的表观相似目标不能有效区分的问题,本文提出了一种融合细粒度多尺度信息的特征提取方法。首先通过构建图注意力卷积层学习不同局部区域的细粒度多尺度特征,然后利用空间注意力机制强调不同尺度特征的重要性,将多尺度特征加权融合成更具有鉴别力的细粒度局部区域特征。经实验证明该方法可以充分挖掘三维点云的细粒度局部几何特征,增强网络的细分类能力,总体上提高三维场景理解中形状分类、零件分割和语义分割任务的准确率。2.提出了一种基于上下文注意力RNN编码的特征融合方法针对现有方法存在的缺乏结合细粒度局部上下文信息导致的小目标误分割、分割边缘粗糙等问题,本文提出了一种基于上下文注意力RNN编码的特征融合方法。首先通过双向长短期记忆网络捕获不同局部区域之间的上下文信息,然后通过一种改进的分组注意力机制突出不同局部区域特征的重要程度,将局部区域特征加权融合成包含细粒度局部几何信息和上下文信息的全局语义特征。最后,为了最小化模型训练误差,本文网络的损失函数同时考虑分类损失和相似损失。经实验证明该方法可以充分捕获局部区域间的相关性,获取点云的细粒度空间上下文信息和边缘信息,在物体存在遮挡重叠时,更好地分割出不同的物体,提高点云分类与分割任务的性能。3.设计并搭建了三维点云场景理解系统以本文所提的点云分类与分割算法研究为基础,对基于特征融合的三维点云场景理解系统进行需求分析和总体设计,并利用VSCode、Vue、Python以及Qt等工具加以实现,完成了用户登录、数据处理、模型训练、模型测试、结果展示等模块的设计与开发。本文网络在形状分类任务中总体精度达到了 92.9%,比PointNet和PointNet++分别高出3.7%和2.2%,比A-CNN、Point2Sequence和AGCN均高出0.3%;在零件分割任务中平均实例交并比达到了 85.6%,比DGCNN和Point2Sequence分别高出0.5%和0.4%;在语义分割任务中平均交并比达到了 66.5%,比Grid-GCN和AGCN分别高出8.7%和9.9%。综上,本文提出了一种具有鲁棒性和可行性的三维点云场景理解方法,有效缓解了复杂场景中“表观相似目标不能有效区分”、“小目标误分割”、“分割边缘粗糙”等问题,最后设计并实现了一个界面友好、操作简单的三维点云场景理解演示系统。