随着3D感知设备的进步,人们对3D领域的感知任务愈发关注。基于点云的研究成为了3D领域的重要方向。近年来,涌现了许多基于深度学习的大规模点云的优秀工作。然而,在3D点云实例分割任务上仍然具有较大的挑战。3D点云实例分割中,实例级别的几何信息与拓扑信息的挖掘与约束是之前工作的探索重点。但现有算法大多直接基于神经网络进行信息挖掘与监督优化。这将导致以下问题:（1）神经网络的方式对于实例的连接组件、孔洞、空腔等重要拓扑特征难以直接拟合,模型分割的结果容易损失重要拓扑结构。（2）这些模型在训练中与推理中缺乏实例级别的监督与感知,使得邻近实例容易被聚类在一起。针对上述存在的问题,本文提出基于拓扑损失的3D点云实例分割模型,并提出简化持续同调模块对拓扑损失进行优化,完成的主要创新工作和研究成果如下:（1）提出一种基于拓扑损失的3D点云实例分割模型针对神经网络难以直接拟合高阶拓扑特征的问题,将拓扑损失引入3D点云实例分割模型,提高分割结果的拓扑准确性并加强实例级别的监督与感知。本文使用一个包含点级别的预测与实例级别的聚类的两阶段实例分割网络对点云的实例进行生成,并设计拓扑实例教师网络对预测的结果进行修正与引导以提高生成实例的质量,最后通过提出拓扑损失对预测结果的重要拓扑特征进行监督与约束以加强对网络的实例级别监督。（2）提出简化持续同调模块针对引入拓扑损失后模型的约束效率问题,本文设计了一个简化持续同调模块。本文提出场景预采样掩码的采样方法对实例进行稳定下采样,以期提高拓扑损失优化稳定性。并且基于近邻感受野扩增模块对损失的优化范围进行扩展从而提高拓扑损失的约束效果。最后,设计了一个持续同调网络以神经网络预测的方式加速拓扑特征提取的效率。通过ScanNetV2和S3DIS两个三维室内场景实例分割数据集验证本文提出模型的效果和稳定性,实验结果表明本文提出的模型在点云数据实例分割任务中具有较高的准确性和实用性,能够应用于各种需要点云实例分割的应用中。