近年来,随着三维成像技术的快速发展,像微软Kinect、英特尔的Real Sense和谷歌的Tango等低成本小型化三维传感器都可以很好地捕获场景三维信息,帮助智能设备更好地感知、理解世界,降低了人们以三维的方式获取真实世界信息的门槛。通过三维扫描设备获取的原始三维数据通常是点云的形式,其数据结构是不规则的。深度学习中传统卷积算子为了实现权值共享和核函数优化需要以规则化的数据结构作为输入,所以之前对于点云数据的处理通常转换为多视图或者体素的形式再输入到深度网络中去。但是这种数据处理形式的转换往往会带来几何结构损失、分辨率下降等问题,由此产生识别精度低,模型错误分割的实验结果。针对之前直接处理点云数据的深度网络输出特征鉴别力不够以及缺乏点之间上下文关系问题,本文对点云特征提取网络结构进行改进,提出一种基于点云数据的三维目标识别和模型分割方法。主要研究工作如下:本文构造了以原始点云数据为输入的深度网络结构,以端到端的方式完成输入数据到高层特征表示的映射。利用多层感知机网络单独地提取每个点的深度特征,然后引入与二维图像上处理仿射变换不变性的空间转换网络（Spatial Transformer Networks,STN）相似的网络结构模块学习模型的拓扑信息,同时利用双对称函数对点集特征进行编码,消除点序对全局特征的影响并且进一步产生更有鉴别力和稳健性更强的深度特征。为了验证本文方法的精度和效率,在普林斯顿Model Net数据集,Shape Net数据集,S3DIS数据集,Scan Net数据集上进行了模型识别和语义分割实验,相比于之前的方法,以更小的时间代价达到了更高的目标识别精度,网络结构更加简单并且易于训练,验证了本文提出网络的有效性。