三维点云分类神经网络是以点云作为输入数据的分类神经网络,是神经网络处理点云数据的基础。其他点云的处理任务如点云分割、点云配准都以分类网络作为其骨干网络,所以三维点云分类网络的设计就显得至关重要,影响着下游相关任务的性能,如分割、配准等。然而,目前的三维点云分类神经网络仍然具有以下问题:（1）三维点云中关键点处的特征以及整体结构的特征对分类结果均有重要的影响,目前的网络无法在两者之间进行平衡。（2）最大池化操作不利于反向传播,平均池化无法突出显著特征,均不利于点云全局特征的聚合。（3）网络的旋转鲁棒性较差,当面对三个自由度的旋转时,网络性能大幅度下降。针对上述的问题,本文进行了以下两部分的工作。（1）提出了一种基于嵌套注意力边卷积的三维点云分类网络。首先为了突出关键边特征的同时兼顾关键边特征与整体结构特征的平衡,在特征提取网络的每一层中同时使用传统边卷积分支以及注意力边卷积分支,并使用额外的注意力机制得到两个分支所对应的权重。其次为了提高网络反向传播的能力,使用额外的软池化（SoftPool）来聚合点云全局特征。最后使用贝叶斯优化的方法选取嵌套注意力边卷积网络中的邻域超参数k、点云全局特征的维度以及全连接层中神经元失活率。在开放数据集ModelNet40上的实验,证明了该网络在分类任务上的有效性。（2）提出了一种三维点云的旋转不变性模块,并基于该模块提出了一个三维点云分类网络和一个旋转姿态预测网络。首先对于三维点云上的每一个点,用主成分分析（Principal Component Analysis,PCA）处理其周围的k个点,以获取该点所对应的表面法向量。在所有表面法向量上使用聚类算法得到与输入点云旋转同变的参考轴,点云在此参考轴上的度量具有旋转不变的特性。其次在点云分类网络中,经过该模块处理后的点云多次旋转后输入具有共享参数的点云全局特征提取网络,通过最大池化函数得到最佳的类内一致性特征表示。最后在点云旋转姿态预测网络中,经过旋转不变性模块后得到旋转不变性表示并记录此次的旋转矩阵,利用分类神经网络预测姿态分类结果对应第二个旋转矩阵,两次的旋转矩阵共同得出对旋转姿态的预测。本文以ModelNet40和ModelNet10为代表,对一些广泛使用的点云分类数据集进行了实验,实验结果验证了本算法的有效性。