深度学习作为人工智能领域的主要技术,已成功应用于解决各种二维图像处理问题,但由于二维图像的局限性,难以完成复杂的场景分析。近年来,3D采集技术飞速发展,3D数据越来越容易得到,点云作为三维数据的典型代表不仅包含目标的空间位置信息,也包含目标的几何结构信息,相对二维图像有着天然的优势。鉴于深度学习技术强大的特征提取能力,使用深度学习方法处理点云成为了当下的研究热点,但由于点云是一组离散点集,具有无序性、刚体变换、点与点之间缺乏相互作用等特点,使得此类任务仍面临着巨大挑战。因此本文提出基于多特征融合的点云分类与分割网络,旨在实现网络旋转不变性的同时充分利用局部特征和全局特征优化分类分割网络性能。本文的主要研究内容如下:（1）针对现有算法在识别旋转点云时表现不佳的问题,本文设计并实现了一种基于椭球拟合的旋转不变网络。通过前置网络模块中的椭球拟合算法唯一标识原始点云的方向得到旋转不变坐标系,再将原始特征映射到该坐标系中,利用空间信息和角度信息进行编码得到点云的旋转不变特征。此外,为了获取更丰富的几何信息,在分类分割网络中加入多层级的特征连接增强特征传播及复用,提高模型表征能力。实验证明该算法可以有效提高网络在旋转点云上的识别准确率。（2）为了更好的提取局部特征并充分利用点云所携带的信息,本文设计并实现了一种多特征融合网络。提出基于图的邻域边缘特征提取模块,将点云转换为图结构,再利用空域上的图卷积实现邻域边缘特征的提取;引入注意力特征融合层将边缘特征与上述旋转不变的全局单点特征融合,捕获更具有鉴别力的局部特征描述符;最后,在融合后的高维特征中应用关键点检测技术,根据点的法线变化来区分每个点的重要程度并分配不同响应,进一步增强模型的表征能力。实验结果表明,该算法能够有效提取具有鉴别力的点云特征,显著提升网络的分类和分割精度。