三维点云是一种重要的视觉数据格式,在机器人技术、逆向工程、医疗图像、自动驾驶等领域都取得了大量的应用成果。三维物体的位姿估计是三维点云分析的重要目标之一。在基于点云的三维物体识别和位姿估计过程中,三维传感器获取的物体点云会出现因局部视线遮挡而缺失的现象,这对点云数据的分析和识别造成困难。另一方面点云数据的特殊无结构格式也为深度学习在点云上的应用带来挑战。针对上述问题,本论文以研究三维点云位姿估计为目标,以深度学习方法为手段,辅以数据增强方法和多尺度特征提取路线,研究并设计了三维点云位姿估计的多尺度深度学习方法。首先,提出了一种基于区域生长聚类法的三维点云兴趣点提取算法,并通过设计的稳定性及描述性对比实验验证了该兴趣点提取算法的有效性。然后,研究了如何采用多尺度方法对三维点云兴趣点的邻域计算特征。接着由于真实标注数据的稀缺,需要对训练数据集进行数据增强,故设计栅格投影方法采样获得多个视角下的点云集合,用于模拟真实三维传感器的数据获取结果。在网络结构上,本论文采用空间变换网络的方法得到增强数据集中点云的随机空间变换参数,并将其作为位姿估计的输出。为了在网络中获得三维点云点序无关的多尺度局部区域的特征信息,利用对称函数将非结构化的点云数据的逐点特征进行聚合,并通过对三维点云的局部多尺度特征和全局特征聚合,最终实现三维物体点云的识别和位姿估计。在实验验证上,本论文通过设计对比实验分析了提出的兴趣点提取算法性能、实验零件点云多尺度特征统计性能、和深度学习网络损失收敛曲线及其可视化情况,结果表明本论文提出的兴趣点提取算法,深度学习网络以及多尺度特征提取方法的有效性。最终搭建机器人散乱环境中的抓取实验,在实验过程中实现三维物体点云数据的分割、识别、位姿估计及精配准过程,及机器人对特定零件的抓取操作,验证了三维物体点云位姿估计方法的有效性。