随着三维数据采集设备的普及,包含着丰富空间几何信息的点云数据被广泛的应用在机器人、遥感、自动驾驶等领域,由此推动了对点云数据分析的研究。目前,点云分类和分割研究是点云数据理解分析的重要基础和研究热点。本文基于研究发现当前算法存在以下问题:首先,大多数算法都是作用在坐标点上,旋转变换会影响算法对点云特征的提取,导致点云分类和分割精度下降;此外,由于点云数据的复杂特性,其局部几何信息不能充分采集,高级语义信息难以获取,导致大量有效信息的丢失。为了解决上述的两个问题,本文提出了两个方法,主要研究内容如下所示:（1）为了解决当前算法难以消除点云旋转变换干扰的问题,本文提出了基于多头部旋转不变特征的点云分类分割网络。通过将点坐标重构成旋转不变的特征向量描述消除了旋转变换的干扰,设计多头部结构的特征提取模块充分提取特征,并提取点云中关键点特征弥补整体特征。实验结果表明,本方法有效消除了旋转变换的干扰,分类准确率为87.5%,分割精度为75.15%,优于同类型的其他方法,且具有较低的网络复杂度。（2）针对点云特征信息提取不完整,高级语义特征难以获取的问题,本文提出了基于语义信息补偿全局特征的点云分类分割网络。通过扩张卷积和边缘卷积相结合的组合卷积块来获取点云的特征信息,并采用局部特征向量聚合描述模块将局部结构的低级语义信息聚合描述高级语义信息特征,进一步完善全局特征获取时丢失的信息。实验结果表明,本方法显著增强了点云的特征提取效果,对高级语义信息的描述得到完善,分类准确率达到92.7%,分割精度为85.5%,优于现有的方法。该论文有图49幅,表16个,参考文献67篇。