随着激光雷达、RGBD相机等三维传感器在机器人、无人驾驶领域的广泛应用,基于三维点云数据的研究也变得越来越广泛,包括三维点云的对象分类、部分分割以及场景语义等。点云的分类是点云数据研究最为基础的一个研究方向,因而它也成为整个点云数据研究中的热点和难点。当前针对无序点云分类的研究大多是将点云数据转化为规则的三维体素网格或者处理为二维图像的集合(从不同的角度将点投影到二维平面上),这就导致了广泛的数据增加、预处理和繁重的计算问题。此外,这些点云分类的方法大多以孤立的方式进行特征提取,从而忽略了相邻点的布局以及其几何特征等问题,这将影响点云的分类效果及后续的三维点云的拓展研究。针对现有的点云分类方法单一以及局部点云特征学习以孤立的方式进行的问题,研究一种基于图卷积的点云分类方法,构建并实现了基于图卷积的局部点云分类框架和基于图卷积的全局点云分类框架,通过利用图卷积并结合新的图池化策略来克服以上限制,用于更高效准确地进行三维点云的对象分类。论文的具体工作如下:针对点云以孤立的方式进行特征提取,从而忽略了相邻点几何特征的问题,提出了一种基于图卷积的局部点云分类模型。该模型通过利用图编码来处理三维点云数据,图卷积在图编码所构造的最近邻图上执行,为避免图形聚类所带来的高额计算成本,该模型通过多分辨池化策略来进行特征合并。该模型不仅改变当前点云数据以孤立的形式来学习特征,而且该方法作为一种轻量级的点云分类模型避免了当前点云分类方法中繁重的数据预处理问题。针对基于图卷积的局部点云分类模型存在的过拟合问题,提出了一种基于图卷积的全局点云分类模型。该模型通过寻求一种对点的顺序排列和旋转不变的表示,来解决过拟合的问题。本文采用新的图编码方式、结合全局池化的方法、利用新的平衡损失函数以及更复杂的分类框架。该模型虽然在结构上相比于轻量级的点云分类模型更复杂,但是在分类效果上具有收敛速度快、准确高、鲁棒性好等优势。在标准数据集ModelNet40上,对本文提出的基于图卷积的局部点云分类模型以及基于图卷积的全局点云分类模型进行相关的实验验证,实验表明本文提出的分类方法表现出了较好的分类效果。