三维点云语义分割是将点云中的每个点按照各自的类别进行语义的划分,对同一类别的点进行相同的标注。随着三维数据获取的难度变小,基于三维数据的技术开始逐渐发展,也已经开始应用在自动驾驶、智能机器人、遥感和医疗等领域中。点云语义分割算法是三维点云处理的重要方向之一,传统的点云分割方法精度不高,因此,本论文主要研究的内容为基于深度学习的三维点云语义分割,使用的基础网络为PointNet++,并对其从局部空间特征构建和网络结构等方向进行改进。具体的主要工作成果如下:（1）在深入研究PointNet++网络之后,对其在局部空间聚合特征的方法进行完善,重新设计了一种基于点云多类特征的信息编码增强结构SG-PointNet++。针对原始的PointNet++网络只利用了点的坐标差作为特征聚合的问题,论文通过添加点与中心点的原始坐标和欧式距离等信息,与坐标差共同进行局部空间的特征聚合的方法来解决,并构建了一个局部空间几何信息编码增强的GEO-PointNet++网络。另外,针对编码过程对点的附加信息处理不完善的问题,本论文采用了将点的附加特征和几何特征分开编码的方式来改进,设计了SEP-PointNet层,并完成了SP-PointNet++网络的构建。论文采用了S3DIS标准数据集来进行网络改进有效性的验证。结果显示,SG-PointNet++网络在S3DIS数据集的Area5所有房间的总体精度为82.4%,相对于PointNet++提高了1.3%,对于各类的平均交并比mIoU,SG-PointNet++网络的mIoU值为51.96%,相对于PointNet++增加了2.57%。（2）结合SP-PointNet++网络,在研究了基于深度学习的三维点云语义分割网络的结构之后,设计了一种网络结构更优化、网络模型性能更好的DSGD-PointNet++三维点云语义分割网络。针对网络深度较浅从而导致点的感受野较小的问题,采用了加深网络层数的方法来解决,并引入残差结构,设计了Deep-PointNet++网络。针对网络参数多的问题,采用了加入dropout网络层来防止网络模型过拟合,提出了DD-PointNet++网络,并结合之前在特征编码模块的改进,最终构建了DSGD-PointNet++网络。论文采用了S3DIS标准数据集来进行实验,验证DSGD-PointNet++网络的三维点云语义分割性能。实验结果显示,改进后的DD-PointNet++网络在S3DIS数据集的Area5所有房间的总体精度为82.1%,相对于PointNet++提高了1.0%,mIoU值为51.89%,相对于PointNet++增加了2.5%。结合在网络特征编码过程改进的SG-PointNet++网络,构建的DSGD-PointNet++网络,在S3DIS数据集的Area5所有房间的点云分割的结果如下。其总体精度为83.0%,相对于PointNet++提高了1.9%,mIoU值为53.5%,相对于PointNet++增加了4.11%。针对质量较好的点云,DSGD-PointNet++网络的OA值为95.9%,相对于原始的PointNet++网络提高了8.4%,mIoU值为86.13%,相对于PointNet++提高了14.51%。