针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性，提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN，并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块，对原始三维点云进行分类。首先，基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征；然后，将全局特征集成于各层的局部特征得到增强局部特征，据此凸显点云不同特征的重要性，使网络更加关注有利于分类的特征；最后，对不同增强局部特征进行特征融合得到深层次特征，从而实现点云的分类。为验证所提模型的分类性能，在GML_DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN，所提EFF-DGCNN模型具有更好的分类能力，能更好地区分结构相似的点云。

三维点云语义分割在三维场景理解和重建、自动驾驶和机器人导航等领域发挥着重要作用。针对现有方法对点云的局部特征提取不足导致分割精度不高这一问题，基于PointNet++架构提出了一个动态图卷积网络DGPoint。首先，边缘卷积的特征聚合函数使用双通道池化操作来补偿信息丢失，可以更好地保留点云的细粒度局部特征；其次，在进行边缘卷积之前使用K近邻算法确定新的局部区域以达到动态图更新的效果；此外，为了保证边缘提取准确，将设计的编码器重复多次，并将提取的特征以跳跃连接的方式连接起来输入到解码器中。在S3DIS数据集上的实验结果表明，与其他方法相比，DGPoint有效解决了局部特征提取不足的缺点，并提高了语义分割的准确性：在S3DIS数据集的平均交并比为68.3%，总体准确度为86.2%。