近年来,语义分割任务在生产生活中应用越来越广泛,越来越多的应用场景需要精确且高效的分割技术,如现实增强,室外自动驾驶,室内导航等。特别是自动驾驶,需要对汽车周边环境精确,实时,鲁棒地感知与分割。二维图片的语义分割面临着准确度容易受光线、玻璃反射等问题影响的挑战。三维点云通过激光扫描获取,不会受到前面所说的光照问题的影响。但是使用三维点云进行语义分割也面临着点云稀疏,点数量大,实时分割难以在资源有限的计算平台完成的挑战。因此对轻量级的三维点云实时语义分割进行更深层级的研究具有重大意义。此处的实时指的是分割算法分割的帧数超过激光雷达采集点云的帧数。本文主要进行基于深度学习的三维点云实时语义分割的研究以及实现。通过分析点云语义分割的应用前景和研究现状,并对比传统点云语义分割方法和基于深度学习的点云语义分割方法,发现深度学习在点云语义分割上具有明显的优越性。因此本文选择基于深度学习的方法对三维点云实时点云语义分割进行研究。本文的贡献及工作包括:1)本文提出了一种轻量化的卷积模块Lightning Module以及基于该模块的轻量级的语义分割网络Lightning Net。不仅提升了对三维点云的分割精度,同时也保持了高效的推断能力,使得该网络能够在资源有限的平台以超过激光雷达采集速率的频率分割三维点云。2)本文提出一种特征精修模块,该模块可以添加于已有的网络架构中,用于继续加强网络的特征提取能力。并实现了一种基于GPU的后处理算法对分割后的点云进行聚类,使得不同物体之间的边界更加清晰。3)本文构建了一整套三维点云实时语义分割的流程框架。可以利用激光雷达采集无序点云,将无序点云转换为有序深度图,并使用Lightning Net进行快速有效的语义分割。并且利用多种传感器测试验证本文观点的有效性,为实际落地应用提出了思路与见解。为了验证本文方法的有效性,本文在相关数据集上进行了充分的实验,与其他网络进行对比。与此同时,本文也将其部署到Nvidia Jetson TX2上,在现实环境下进行了完整的实验,体现本文方法的可行性。