本文以装车工业现场货车测量与定位为背景,研究了基于传统方法和深度学习的货车点云分割与测量方法。点云语义分割是三维场景理解的基本任务,在无人驾驶、增强现实、机器人避障等领域获得广泛应用。基于聚类、RANSAC模型拟合等传统点云分割方法适合于规则几何物体分割,但是算法的参数需要手工设置。为了提高算法通用性,本文基于PointNet++基本框架,结合最新的Transformer技术和注意力机制实现KNN近邻的特征提取与聚合,研究了数据增强方法,在云端完成模型的训练与测试。本文的具体工作如下:（1）针对装车现场设计测量方案并完成点云融合与点云预处理。本文利用To F深度相机进行数据采集,设计了测量系统的基本结构参数,研究了点云配准和点云融合方法,分析了白天、夜晚测试环境下的点云数据特点,确定了直通滤波、体素滤波、统计滤波的顺序及方法。（2）基于欧式聚类、RANSAC模型拟合、法线差分等方法实现了传统货车点云分割,设计并实现了自注意力深度学习货车分割模型。针对车头和车厢分离的简单规则车体,基于欧式聚类初步分割出车头,然后基于RANSAC算法精确拟合前栏板平面方程。针对曲面底板、多层底板点云、非规则前栏板平面等复杂变形车体,首先,选择部分前车体利用DoN算法强化边缘信息并滤除平面信息,在切除底板和侧面栏板后渐进迭代所有直线方程确定前栏板位置。基于PointNet++基本框架以及Transformer、注意力机制及KNN近邻设计点云分割模型,完成数据增强、模型训练及测试。首先,基于注意力池化聚合采样点的KNN近邻局部特征,学习特征中重要信息并以此作为Transformer的输入嵌入;接着,堆积多层Transformer层进行高级语义特征提取并级联为全局特征;然后,局部特征和全局特征级联后送入全连接分割网络并输出分割结果;最后,自定义数据集并完成数据增强生成5580个样本的数据集。实测平均正确率为49.09%、平均交并比为18.28%。（3）基于RANSAC直线与平面拟合、Hough变换等方法实现了货车三维尺寸、偏移角度、车厢原点、车厢障碍的测量与定位。针对简单车体和复杂车体,采用RANSAC拟合渐进拟合车底板方程,迭代拟合两侧栏板的所有直线,确定两侧栏板的最高直线方程。最后,基于Hough和模型拟合确定剩余前栏板、障碍以及后栏板的直线方程。基于上述直线和平面方程即确定所有待测参数。实测绝对误差小于5厘米,平均相对误差小于2%,从数据采集到参数输出平均需要49秒,测量系统能够满足实时装车的要求。