三维模型分割是进一步理解和分析三维模型的基础,不仅广泛应用在三维模型的变形、简化、检索等研究领域中,在古文物保护、医学检测、几何压缩等模型处理和实际应用中也发挥了重要的作用。目前三维模型的表示方式主要有三角网格和三维点云,点云分割是三维模型分割中的难点。随着深度学习、神经网络的不断发展,国内外研究学者也利用其对点云分割进行了大量的研究,根据对三维形状的分析,利用神经网络高效处理三维数据,卷积神经网络在分割任务中表现突出。针对基于卷积神经网络的点云分割算法如何提高分割的准确率,并减少训练中的内存消耗与运行时间的问题,研究了基于八叉树的卷积神经网络的点云分割算法,完成的主要工作如下:(1)介绍了点云分割在传统算法与深度学习算法上的特点与区别,探讨了三维数据基于体素、流形结构、多视图与原始点云结合深度学习的四类分割方法,阐述了深度学习和卷积神经网络等相关说明。(2)提出了一种基于八叉树的卷积神经网络的点云分割算法,构建了基于Caffe框架的卷积神经网络用于点云分割,将点云体素化并构造高效的八叉树结构,使特征融合后的多维输入特征与点云八叉树信息一并进入卷积神经网络进行训练,利用多层3D卷积结构,调整训练参数,获取了更高维的点云模型的信息,得到了分割的预测标签,使用CRF算法优化分割结果,利用PCL实现了分割结果的可视化。(3)采用ShapeNetCore子集数据集进行实验验证,以IOU指标与现有的深度学习算法对准确度进行了比较,并在GPU内存消耗与运行时间方面验证了本文算法相较于全体素算法在这两项性能上的优势。(4)对基于卷积神经网络的点云分割系统进行需求分析,总体设计,并利用VS2015、Qt以及PCL加以实现,最终满足了系统的需求,完成了各功能模块的设计,通过了功能测试实现了三维点云分割系统。