點(diǎn)云數(shù)據(jù)的分類和語義分割在自動(dòng)駕駛、智能機(jī)器人、全息投影等領(lǐng)域中有著重要應(yīng)用。傳統(tǒng)手工提取點(diǎn)云特征的方式，以及將三維點(diǎn)云數(shù)據(jù)轉(zhuǎn)化為多視圖、體素網(wǎng)格等數(shù)據(jù)形式后再進(jìn)行特征學(xué)習(xí)的方式，都存在處理環(huán)節(jié)多、三維特征損失大等問題，分類和分割的精度較低。目前可以直接處理點(diǎn)云數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò) Pointnet忽略了點(diǎn)云的局部細(xì)粒度特征，對(duì)復(fù)雜點(diǎn)云場景的處理能力較弱。針對(duì)上述問題，提出了一種基于動(dòng)態(tài)圖卷積和空間金字塔池化的點(diǎn)云深度學(xué)習(xí)網(wǎng)絡(luò)。該網(wǎng)終在Pointnet的基礎(chǔ)上使用動(dòng)態(tài)圖卷積模塊來替換 Pointnet中的特征學(xué)習(xí)模塊，増強(qiáng)了網(wǎng)絡(luò)對(duì)局部拓?fù)浣Y(jié)構(gòu)信息的學(xué)習(xí)能力;冋同時(shí)設(shè)計(jì)了一種基于點(diǎn)的空間金字塔池化結(jié)構(gòu)來捕獲多尺度局部特征，該方式比 Pointnet十十的多尺度采樣點(diǎn)云、重復(fù)分組進(jìn)行多尺度局部特征學(xué)習(xí)的方法更加簡潔高效。實(shí)驗(yàn)結(jié)果表明，在點(diǎn)云分類和語義分割任務(wù)的3個(gè)基準(zhǔn)數(shù)據(jù)集上，所提網(wǎng)絡(luò)相較于現(xiàn)有網(wǎng)絡(luò)具有更高的分類和分割精度。