高能物理中喷注识别任务是从背景中识别出特定的信号,这些信号对于在大型粒子对撞机上发现新的粒子或者新的过程都有重大意义,同时区别不同喷注结构的技术也推动了量子色动力学的发展,进一步提高了人们对高能粒子领域的理解。近年来随着神经网络和深度学习技术的日趋成熟,本文针对现有喷注分类模型存在的缺乏有效的特征提取手段、训练过程繁杂等问题,结合喷注数据的空间特性,将喷注视为三维空间中的点云数据,在此基础上提出了基于改进的动态图卷积网络（DGCNN）喷注分类模型。本文具体的研究工作和成果有:（1）针对现有的喷注表示方法存在的局部边缘信息丢失和空间信息丢失等问题,本文在物理粒子分类过程中提出了三维空间中的点云表示方法。点云具有无序性和置换不变性,这极大程度还原了喷注的空间特性。因此本文针对喷注数据采用点云表示法可以很好地避免了繁杂的数据处理过程,同时保持了原有数据的真实性。（2）本文提出了基于改进的DGCNN高能粒子分类模型。首先采用K维树（KDTree）算法代替K近邻（KNN）算法进行近邻点的选取,降低了在邻近点查找过程中的算法复杂度;然后通过卷积网络进行特征提取;最后采用空间金字塔池化进行多方位多层次的特征采样,不仅解决了输入点云的尺寸不同造成的困扰,同时还能针对特征图从不同角度进行特征采样,使模型具有了更好的鲁棒性。（3）在改进的DGCNN模型卷积层的设计中,本文提出了变形卷积与边缘卷积相结合的方式进行特征提取。变形卷积通过在模块中增加额外偏移量的空间采样位置以及从目标任务中学习偏移量的方式,提升了卷积网络的形变建模能力;基于注意力机制的边缘卷积通过对中心点邻域进行特征提取,同时对邻近点进行注意力加权,最后将变形卷积与边缘卷积结果进行融合,既保证粒子的空间结构特征,又可以融入局部信息。在公开粒子分类数据集上,对本文所提的基于改进的DGCNN高能粒子分类模型与其他多种喷注分类模型进行了实验验证。实验结果表明,本文所提的分类模型表现出了明显优于传统分类模型的分类效果。