随着人工智能的发展,声音、图像、视频等数据形式已无法满足当下场景理解应用的需求。相比传统的数据形式,利用激光雷达/深度相机等立体测量技术获得的三维点云数据,以其数据处理高效、结构灵活、信息描述丰富等优势成为场景理解任务的主要数据类型。并广泛应用于实时定位与建图（SLAM）、无人驾驶、城市规划、智能机器人等领域。近年来基于深度学习的点云语义分割算法成为了一个新的研究热点,为获取目标上下文信息,实现三维场景理解任务提供了一种新的思路。但是现有的算法面临以下几个问题:（1）点云非结构化、无序的数据形式导致预处理复杂。（2）传统的方法过于依赖人工定义的特征。（3）缺少点云基准数据集,无法实现样本的多样化,导致学习得到的网络模型缺乏泛化能力。因此研究点云的语义分割对其应用的各个领域具有重要的理论价值和现实意义。本文以基准点云数据集为研究对象,结合深度网络模型,研究点云的深度学习分类分割方法,完成的研究内容如下。1.针对点云的非结构化、无序的数据形式,结合深度学习网络处理数据的特点,从非结构化点云特征提取角度,分析了直接处理点云网络模型以及结构化点云网络模型的结构和性能。2.在基于结构化点云的特征提取方法中,体素化操作提供了点的空间约束关系。但是在深度网络模型提取体素化后的点云特征时,仅使用体素点信息缺乏描述点云的分布特征,导致缺少全局信息而分类分割精确度受到限制。针对此,通过构造能够描述点云分布特征的可信度系数,并将其引入点云特征向量空间中,构造了一种扩展点信息的深度网络点云分类分割模型,提高了点云分类分割精度。3.在使用网络直接提取点云特征的模型中,利用点态卷积算子逐点提取点云的局部特征描述,为了保持点云数据结构的一致性,点态卷积算子及对应的卷积网络模型本身并不具有描述点云全局特征的结构。针对此,构造了中心点放射模型来描述点云逐点相对于全局的几何约束关系,将其引入到点态卷积网络的特征拼接环节扩展特征向量,从而为点态卷积网络构建了完善的局部-全局特征描述,用于点云数据的分类分割任务。4.扩展后的分类分割模型具有描述点云完备特征的能力是保证分类分割准确性的重要依据。基于点态卷积网络的局部特征模型结构,将点云固有的单点特征、点云数据全局特征引入特征向量,构造了完备的单点-局部-全局特征向量描述,进一步提升了逐点预测精度。论文从扩展点云特征描述的角度研究了点云分类分割模型的优化算法,提出了三种优化模型。在扩展的模型中,采用几何约束的形式来扩展点云的特征描述。这类方法可以直接与特征数据结构适配,改进深度学习网络的学习能力,简化网络的复杂程度,保证网络的计算效能。经实验验证提出的三种优化模型相比于现有的算法,在不影响计算效率的前提下提升了点云的分类分割预测准确率。