随着三维数据采集设备的推广应用,三维数据的获取更加便捷。三维数据包含丰富的几何、形状和比例信息。如何有效准确地对三维数据分类、分割、识别,是目前计算机视觉领域的研究热点。本文着重分析了基于不同三维模型表示格式的深度学习网络模型的工作原理,分析了网络结构中特征提取方法的优缺点。针对现有深度学习网络模型存在的训练过程繁杂、缺乏有效的局部信息提取手段等问题,根据三维数据非结构化的特点,提出了基于图卷积神经网络的点云模型分类网络。本文的工作与成果为:(1)提出了两种构建图卷积计算所需的邻接矩阵的方法,分别是基于K近邻构建邻接矩阵的方法与利用网格信息构建邻接矩阵的方法。基于K近邻构建邻接矩阵方法的思路为:针对点云中的某个顶点,采用k近邻构建该顶点的邻接关系;对所有顶点应用该方法得到所有顶点的邻接关系,并以此构建邻接矩阵;基于网格信息构建邻接矩阵方法的思路为:首先构建一个n*n(n为顶点数量)零矩阵,然后通过遍历网格数据中的面片,通过面片中的顶点索引建立邻接关系,对于存在邻接关系的顶点,在零矩阵中将对应权值置为1,最终构建出邻接矩阵。(2)为图卷积提取的三维数据特征信息设计了分类网络模型。首先将邻接矩阵及特征作为网络的输入,其次通过图卷积神经网络分别提取浅层特征和深层特征,将浅层特征和深层特征融合成多尺度特征向量,然后对图上的特征向量进行池化操作得到全局特征,最后经过全连接分类网络输出对应分类概率。通过在ModelNet40数据集的分类实验结果表明,本文提出的点云分类模型,具有处理非结构化数据和聚合邻接顶点提取局部信息的优势,与现有点云分类模型相比,实现了更高的分类准确度同时显著降低了模型的参数规模。