点云作为一种重要的数据存储方式,在计算机视觉、自动驾驶和机器人技术等领域都有着广泛的应用。深度学习作为人工智能的主导技术也成功的用于解决各种二维视觉问题。然而,使用深度神经网络去处理点云仍旧面临着独特的挑战。由于点云存储的是物体表面的坐标信息,并不会受到存储顺序的影响,因此点云的输入地输入是具有无序性的。此外点云中的每个坐标都是一个信息点,而单个信息点并不具备结构信息。这些独特的结构性问题都使得常规的用于处理二维视觉的深度学习方法难以应用到点云上。针对上述存在的问题,本文主要展开了以下两部分工作。（1）针对点云的分类和分割任务提出了基于图Transformer网络的分类分割算法。图卷积网络通过构建局部结构的方式应对点云结构性问题,Transformer网络则在处理无序性信息时则有着天然的优势。因此本部分工作的主要目的是结合图卷积网络和Transformer网络独特优势,寻求一种方式融合图卷积特征和Transformer特征。除此之外,还针对点云的特性,在Transformer网络中加入了空间编码信息,用来提高Transformer网络空间表达能力。为了有效融合两种特征,还设计了差异性通道注意力网络,用来学习各个通道之间的差异性,降低信息冗余。在数据集Model Net40、Scan Object NN和Shape Net Part上的实验证明了该部分工作在分类和分割任务上的有效性。（2）针对点云的分类任务提出了基于特征关系卷积的分类算法。通过考虑局部结构的构建、全局特征聚合和损失函数改进三个方面,构造了一个有效的点云分类网络。首先,针对点云的不均匀性和非结构性,通过中心点与近邻点之间的特征关系,为不规则的近邻点分配不同的权重,以此构建局部结构。此外,使用注意力的思想,提出了加权平均池化,通过自注意力的方式,学习每个高维特征的注意力分数,在保证整体网络对称性的同时,可以有效地聚合冗余的高维特征。另外,针对分类任务,利用了交叉熵损失与中心损失之间的互补关系提出了联合损失,进一步提高了网络的分类性能。最后,在合成数据集Model Net40和Shape Net Core以及真实数据集Scan Object NN上进行实验,与其它先进网络的对比结果证明了整体网络结构的优越性。