与密集网格表示的图像不同，点云自身具有不规则和无序性的特点，因而如何准确地推理出点云数据中的形状特征是一项具有挑战性的工作。为解决当前研究存在的不足，提出了点集内-外形状卷积（IE-Conv）。该卷积利用高效的双边结构将点集内的局部形状与点集外的全局形状分开处理，在点集内部，基于门控的方式有选择地学习丰富的点间关系，同时利用自校准功能优化逐点与局部特征；在点集外部，通过图卷积构建全局图形，并聚焦于点集之间的远程依赖关系；最后将双边输出有机融合起来。将IE-Conv分层嵌入形状推理卷积网络中（SR-Net），并在标准ModelNet40和ShapeNet数据集上进行分类与分割实验。实验结果表明，分类任务精度达到93.9%，分割任务平均交并比达到86.4%，验证了SR-Net在点云分析中的良好性能。

点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定。基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性。

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。