深度学习方法在2D视觉任务中已经取得了巨大的成功,由此引起了人们使用深度学习理论与方法研究3D视觉的极大兴趣.点云分类与分割是3D视觉中基本的且具有挑战性的任务之一,其在3D计算机视觉领域备受关注.然而,尽管深度神经网络在诸如图像这类规则的栅格化数据上显示出良好的性能,但是由于点云的不规则性和无序性,设计用于点云处理的深度神经网络仍然是一个巨大的挑战.本文讨论和研究面向点云分类与分割的点卷积神经网络算法.在已有研究的基础上,设计了一系列新颖且高效的点云特征提取方法以捕获点云丰富的结构特征并在点云分类与分割任务中展现了优越的性能.具体工作如下:1.构造了一个面向点云分割的局部-全局图注意力卷积神经网络.该网络主要由局部空间关注卷积块、中心点平滑模块与带有门控单元的全局空间关注模块构建而成.通过局部空间关注卷积块将点云构建成一系列局部图,并提取精细的结构特征.随后,在卷积的过程中整合了中心点平滑模块,对局部图中心点的坐标进行微调以缓解噪声的干扰,提高模型对噪声的鲁棒性.此外,全局空间关注模块在超点上构建全局图,以挖掘长距离的上下文信息,并以门控单元自适应地调节局部与全局空间的信息.最终提取到点云丰富的细节特征与边界信息以有效地分割不同类别的区域.实验结果表明,该方法能够较好地实现复杂场景的分割.2.建立了一种面向3D形状分类的点到向量胶囊网络.该网络首先通过分层的特征提取逐层地提取点云特征.在这一过程中,采用逐层扩大搜索半径的策略以逐步放大感受视野直至得到一个全局的感受野.随后,将带有坐标信息的高级特征通过分组与特征映射封装在胶囊中,从而构成了初始胶囊层.这一方式能够避免全局池化对特征高维相关性的破坏,从而保留了更丰富的特征.最后,通过设计的动态路由算法,将初始胶囊层中封装的特征进一步抽象重组并传递给输出胶囊.根据输出胶囊检测各个类别特征的存在概率实现对目标形状的分类.实验表明,所提出的方法获取的形状描述符更具判别能力,能够出色地完成形状分类任务.3.设计了一个基于残差边卷积的3D点云分类算法与具有边-点特征学习的3D混合卷积神经网络.其核心思想是整合基于逐点MLP的方法与基于图的方法,实现点云局部特征与全局特征的融合.此外,为了有效缓解由于网络加深而带来的网络退化问题,引入了多种残差学习的方式,分别构建了残差边卷积与边-点特征混合卷积用于点云的特征提取.进一步,以这两个卷积块为特征提取的基本单元,分别设计了相应的网络以实现点云的分类与分割任务.最后,通过对标签的软化获取一个更光滑的损失函数,提升了模型的泛化能力从而进一步提高网络的性能,并通过实验验证该框架的有效性.