随着计算机软件技术发展和人类生活品质要求的提高,传统对二维图像的研究已经不再能满足视觉领域的需求。例如无人驾驶等,需要感知一个第三维度的信息——深度,三维图像和点云应运而生。点云是一种对三维空间的描述,是对一个物体表面特征信息的离散采样。点云和二维图像相比,具有更丰富的信息,且受外界自然环境影响更小,可以更好地表示研究者感兴趣的环境信息。所以针对于点云的研究和学习逐渐在三维视觉领域占据了很重要的地位。而对点云的研究目前可以粗略地分为分割和分类两大类,而分类和分割的基础就是点云的基础语义信息的获取,语义分割技术正是从原始点云数据中提取场景中的有用信息,以此对不同位置的语义信息进行解析。所以语义分割技术是分类和分割的基础,是整个三维视觉领域研究的基石,已经成为了一个至关重要的课题。目前,比较常用的几种将点云进行语义分割的主流方法分为:直接建立点云模型的方式,通过建立点云体素模型的方式,即将点云特征转为体素特征,还有建立点云网格建模的方式。基于点云模型的计算直接将点云作为深度学习模型的入参,再通过一些手段挖掘点云的局部特征,强化模型效果。基于点云体素的模型通过一种体素卷积神经网络进行学习得到点云矩阵的深层特征,将点云信息提取为体素,以增强点云数据特征的表现和上下文的差异性,从而完成了对点云体素化模型的点云语义分割操作。基于点云网格模型的语义分割方式是用卷积操作将三维形状边界来圈住点云特征,使其仅在一个合理的范围内做分割操作,有利于邻域特征的构建,依赖这种方法,极大地降低了模型学习的复杂度,并提升了准确率。针对点云的语义分割问题,本文提出一种新颖的直接基于点云模型的语义分割模型（PGCN）,PGCN采用动态KNN算法,通过对原始点云数据集进行不同维度的采样,将点云坐标转换为拉普拉斯矩阵输入特征,这样就把点云分割的难题转化在图上。这样整体上建立了一张有权拓扑图作为原始特征。PGCN整合了所有点云的局部信息,通过构建图卷积模型,使用切比雪夫多项式来逼近拉普拉斯滤波,减少计算复杂度。并提出一种结构保持的池化操作,在SALPool基础上进行改进得到一种图注意力池化机制,保证了点间结构关系。通过MLP将全局和局部特征进行一个聚合操作进行最后的分类。并将PGCN在三个大规模室内场景点云数据集上进行实验,在Scan Net进行训练,结果m IOU为80.03%,精确度为79.8%。在S3DIS上m IOU为63.98%,精确度为88.37%,在NYU-V2上m IOU为69.47%,均高于其他主流模型。实验结果表明,PGCN模型对点云语义分割领域有一定研究价值。