伴随着信息化时代潮流的到来,人工智能领域的研究成为大势所趋。如何在复杂场景中进行物体识别是深度学习中非常重要的研究内容。点云语义分割是分析理解三维场景的重要手段,在多个领域中有着广阔的应用前景及研究价值。近年来,深度学习和三维点云数据采集技术的迅猛发展,使用深度学习的方式对点云数据直接进行语义分割处理得到了更多关注,基于深度学习的方法可以提取点云深层次的语义信息,挖掘数据之间的重要特征。但目前很多深度神经网络没有更好的利用点云之间的局部信息,不能处理较大规模的点云数据以及无法应对点云数据部分缺失问题,导致分割精确度不高。针对上述问题,本文着眼于三维点云局部特征的提取,旨在提出一种基于有效的局部特征提取模块的多层级点云语义分割网络,并针对点云缺失问题优化和完善。主要研究工作如下:（1）局部特征提取模块的构建。针对大规模无序点云数据,本文对其建立Kd-tree的数据结构组织,利用KNN算法找寻每个点欧式空间中最近的K个邻域点,通过局部区域的编码的方式为每个点添加冗余信息,将上述输出的邻域点特征聚合到一起得到每个点聚合后的特征,提升每个点的感受野。（2）语义分割网络的搭建。本文使用通用的自编码器网络结构,堆叠使用多个局部特征提取模块去显著的增加每个点的感受野,通过分析FPS、IDIS和RS采样方法的特点,使用RS采样方式对大规模点云数据进行下采样,分层次提取点云特征信息并通过跳跃级联的方式将其进行拼接,整合多分辨率的特征信息,充分利用浅层和深层网络的特征,丰富整体网络学习到的特征,提高预测语义类别准确度。（3）点云补全和取样方式调整。考虑到点云数据的部分缺失对整体点云语义分割的影响,提出对点云数据进行补全的方法,首先对某个物体提取边界,找到所有内部洞边界并对内部洞均匀撒点以补全该洞。同时对各种聚类方法进行分析,提出一种改进的基于K-means聚类的采样方法,通过多次使用K-means聚类点云不同特征信息,使得网络取样到的点云数据更加均匀。（4）为验证本文提出的点云分割网络的整体性能以及改进办法对语义分割结果的影响,针对S3DIS数据集进行了一系列训练和测试。实验结果表明本文提出的网络可以得到较为理想的分割效果,与此同时验证了本文提出的改进办法对语义分割结果的提升。