本文主要针对点云分类和点云分割两个子任务进行研究，从不同角度提出了两种点云分类分割模型，通过理论-实验论证的方式证明了模型的有效性，两种模型的主要工作如下：
(1)提出了一种基于图卷积和三维方向卷积的点云分类分割模型GCN3D，该模型利用图卷积神经网络提取点云节点间的局部特征，通过方向编码模块将节点邻域划分为八个细粒度邻域并利用三维方向卷积依次沿着空间坐标轴的方向将点特征映射到不同细粒度邻域空间内，以捕捉节点间的方向信息和丰富点云局部区域特征，并叠加多个方向编码模块扩大模型感受野和获取多尺度信息。在公共数据集上进行了对比实验、消融实验和可视化实验，并分析测试了模型对于稀疏点云数据的鲁棒性、三维方向卷积参数设置的合理性和模型网络参数规模。结果表明相比其他模型，本章所提出的GCN3D模型能够取得更好的效果。
(2)提出了一种结合动态卷积核与双池化通道注意力的点云分类分割模型DCK-DA，使用基于动态卷积核的卷积操作代替共享MLP以提升模型捕捉不同空间信息的能力，使用双池化通道注意力模块提取有利于模型学习的点云数据显著特征并赋予模型有针对性地学习特征的能力。在公共数据集上做了对比实验、可视化实验，效果优于其他模型。另外，针对各模块效果、局部邻域结构邻居点数量对于核函数卷积效果的影响、双池化通道注意力模块中聚合函数的选择三个方面做了消融实验，证明了模型的有效性。
参考文献（略）
