近年来,随着深度学习在图像、自然语言等规则拓扑结构的数据上大放异彩,研究者们尝试将深层神经网络推广应用到3D点云数据,并开展了大量关于3D点云神经网络卷积算法的研究。但由于3D点云拓扑结构的不规则特性,特征池化算法,作为推动深度学习成功的一个重要部件,却较少人问津。特征池化算法在深度学习框架中,不仅起到提升计算效率的作用,同时能够提升模型的鲁棒性,是深度学习应用在3D点云数据上必不可少的一环。为此,本文拟根据3D点云的数据结构特点,针对低分辨率点云完整拓扑结构保留问题、重要特征点及其局部信息保留问题,开展面向3D点云的神经网络特征池化算法研究。本文的主要研究内容和贡献如下:（1）提出了全局特征引导的池化算法。针对现有方法构建稀疏点云只考虑了输入坐标信息的问题,本文提出基于深度学习的稀疏点云构建算法,通过全局特征引导下的输入点排序,为下游神经网络自适应地构建稀疏点云拓扑。针对模型自适应构建的稀疏点云无法反映输入点云完整拓扑结构的问题,本文通过增加倒角距离损失项,拉近稀疏点云与输入点云的分布。基于所提特征池化算法的多层分类模型EC-GDP,在两个物体分类公开数据集上,将基准模型的分类准确率分别提升0.3%和1.4%。（2）提出了融合局部特征的池化算法。由3D点云的分类实验可知,池化后点云的拓扑结构对于模型整体的性能有较大影响。针对此问题,本文基于随机选点的方法,构建稀疏点云拓扑结构。为了解决随机选点容易丢失重要特征点的问题,本文结合局部特征聚合算法,提出了融合局部特征的随机池化算法。在两个物体分类数据集上的实验结果表明,将随机池化算法引入到单层分类模型DGCNN中,可以显著提升其0.5%和1.2%的分类准确率。此外,本文还针对3D点云分割任务,基于随机池化算法构造多层点云分割模型,并在3D点云语义分割数据集S3DIS上,将基准模型的平均m Io U提升6.1%。（3）提出了基于邻域互信息的池化算法。全局特征引导的池化算法不能为下游神经网络提供完整的输入点云拓扑结构,随机池化算法不能针对不同任务自适应的选取重要特征。针对以上两个问题,本文通过定义输入点特征与其邻域特征的互信息,来表征每个点的重要性,从而使得基于互信息构建的稀疏点云拓扑,既能够保留输入点云的拓扑结构,也可以为下游神经网络保留重要的特征信息。在两个物体分类数据集上的实验结果表明,基于所提互信息池化算法的EC-MIP模型,将基准模型的分类准确率分别提升0.6%和2.0%。