随着人工智能的发展,计算机视觉得到了前所未有的研究和应用。三维点云分割作为计算机三维场景理解的基础,已经成为近年来的研究热点。精准的点云语义预测是自动驾驶、医疗检测、智慧城市等领域的关键技术,有着重要的应用意义。随着点云数据的丰富和点云算法的广泛研究,目前大多数点云网络已解决无序性、非结构化等挑战,但仍然存在语义预测不够精确,场景数据利用不完全等问题。本文围绕上述问题,开展基于融合特征和基于注意力机制的点云语义分割算法研究。研究内容包括融合RGB特征的点云分割算法,基于Transformer的点云学习网络和基于通道自注意力的点云分割网络,主要内容和贡献如下:（1）针对场景数据利用不充分,场景分割的准确率低等问题,提出了融合RGB特征的点云语义分割网络。该算法将图像RGB特征根据空间投影融合到点云数据中。通过点云相对位置信息提取潜在的语义信息,设计新颖的交叉空间注意力模块,搭建分割网络整体架构。算法在Scan Net数据集上达到了68.2%的分割效果,相比于Point Net++提高了13.7%,验证了该算法对场景数据的精准分割。（2）针对点云学习泛化能力差,特征语义无法精准提取的问题,提出了基于Transformer的点云学习网络。该算法利用Transformer中的自注意力机制,设计了适应点云的自注意力结构,并引入特征位置编码,分别对点云的特征内关联性和特征之间关联性进行学习。网络在Shape Net数据集上mIoU值为84.2%,相比于Point Net提高了0.5%。在Model Net40数据集上分类精度达到93.3%,S3DIS数据集上mIoU取得60.6%的成绩,相比于Point Net++分别提高了2.6%和6.1%,证明了本章网络具有较强的点云分类能力和分割能力。（3）针对自注意力机制在点云学习中计算效率低的问题,设计了基于通道自注意力的点云分割网络,优化注意力结构使得网络计算效率得到提高。此外,为进一步有效学习局部区域的点云特征,采用基于余弦距离的K邻近算法对点云特征进行分组,设计了点云局部特征抽象模块,使网络可以掌握更加丰富的特征语义信息。网络在Shape Net数据集上取得了85.9%的成绩,较基于Transformer的点云学习网络和Point Net++高出1.7%和0.8%,证明了本网络在分割任务上具有较强的预测能力和泛化能力。