随着信息技术和网络技术的快速发展以及低成本的3D传感器（如Kinect）和光场摄像机的日益普及,无人驾驶、智慧城市、虚拟现实（Virtual Reality,VR）、增强现实（Augemented Reality,AR）等技术已经成为学术与工程应用上的热点,而上述技术的快速发展源自计算机对其周围环境的感知能力不断增强。人们希望计算机像人类一样观察真实场景,并智能地给出解决方案,即使用视觉传感器将真实数据存储在计算机中,让智能系统将根据实际情况对数据进行分析并做出相应的判断。本文主要研究三维场景理解技术,包括大规模建筑物分割与修复、三维点云语义分割和三维场景快速目标检测算法。通过大量实验和数据分析,结合公开数据集和自制数据集,验证算法的有效性和优越性。主要研究内容以及贡献如下:（1）针对传统大规模建筑物分割时边界模糊问题,提出一种新的能量函数方法,可将从无人机（UAV）中提取的点云生成的网格模型聚合,补充上下文语义精确分割建筑物,最大限度地提高提取建筑物的一致性,恢复边界信息。同时利用语义信息来提高所提取的输入模型语义段之间标签的一致性,以保证分割结果的有效性。另外提出一种利用非结构模型重建多边形和圆弧模型的新方法,可以稳健地发现邻接关系集,并对点云损失引起的非水密模型进行修复,其结果相对于Ball Pivoting等算法更加紧密。经实验验证,本章算法比Poisson等算法效率提升至少9%以上。（2）在大规模三维场景的语义分割上,本文设计一种基于稠密条件随机场（Dense Conditional Random Field,DCRF）的快速深层神经网络模型,可对三维点云场景进行精确的语义分割。在此基础上,实现一个紧凑而灵活的框架,完成对场景点云的精确语义分割,其分割的精确度比传统逐点三维点云语义分割算法提升3%以上。在获取的语义分割结果基础之上,实现一种新的DCRF算法对分割结果进行优化,使经过该模型优化后的场景更具有区域紧密性。与此同时,在不牺牲分割精确度的前提下,对点云的原始数据进行优化,使得网络处理的数据更少,所花费时间减少50%以上。（3）针对三维场景目标检测效率低下的问题,提出一种混合多种深度学习网络的模型,混合二维目标检测、三维语义分割及空间选框优化等技术,实现对区域中特定物体的快速检测。通过分析FPN网络以及快速三维点云语义分割网络,提出二维与三维混合的目标检测网络,能够在不丧失精度的情况下极大的节省检测的速度,经验证其所花费时间减少30%以上。