随着点云数据的获取方式越来越简便,对点云数据的处理工作正逐渐成为热点。虽然现阶段已经有许多优秀的工作出现,但在整体精度和实用性方面依然面临很大的挑战。一方面,如何利用深度学习技术进一步提高点云分类精度;另一方面,如何在保证精度的前提下,减少网络的参数量使得网络能够满足实际应用需要。本文针对点云数据处理工作中存在的上述问题进行了深入研究,提出了新的解决方法,主要工作有如下2点:(1)提出了一种多尺度点云分类网络Multi-scale Point Cloud Classification Network(MSP-Net),进一步提高点云分类的精度。首先分析了点云的特性,提出了一种新的点云数据局部划分方法,以点云的不同层次特征作为输入,获得不同尺度的局部区域;然后模拟卷积神经网络的运作原理,构建了包含4个模块的多尺度点云分类网络,最后在标准公开数据集ModelNet10和ModelNet40上进行了测试,验证了本文算法的可行性及有效性。(2)提出了一个高效的点云分类网络Efficient Significant Point Clouds Processing Convolutional Network(ESP-Net),在确保精度的前提下大大降低了参数量。该网络由多个多尺度显著特征提取块(MS-SFE)组成。每个MS-SFE块包含一个有效点采样模块(SPS)和一个MS-SFE模块。这些模块可以灵活的分割并添加到其他网络中。保证参数量仅为0.3×10~6的前提下,在标准公开数据集ModelNet40上准确率达到92.42%;将ESP-Net网络直接应用于分割任务中取得了与现有方法相当的结果。通过实验显示了本文的网络在例如自动驾驶中等实时应用方面的巨大潜力。基于以上研究,本文在Windows系统下设计并实现了基于深度学习的点云分类系统。该系统以本文的研究内容为依托,以三维点云标准数据集为训练和测试样本,实现了三维点云的分类。最终,通过对比、消融实验评价了本文算法的有效性;定性、定量的方式综合评价了本文所设计的系统。实验结果表明,本文所提出的算法点云分类的任务的标准数据集上取得了很好的效果。本文所实现的系统极好地支持了点云分类任务的需求,灵活、方便、易用。