随着“智慧城市”建设的推进,道路场景信息需求变得越来越急迫。车载激光扫描系统作为道路场景信息高效、精准获取的主要手段,已发挥越来越重要的作用。然而,车载激光扫描系统获得的是道路场景的点云数据,需进行语义分割才能从车载激光点云中解译出道路场景信息,如何实现道路场景车载点云语义分割一直是研究的热点和难点。虽然结合深度学习的车载激光点云语义分割方法研究取得了较大的突破,相较于传统方法,基于深度学习的车载点云语义分割方法具有更优的语义分割性能,但深度学习是一种数据驱动的方法,面对道路场景车载激光点云存在相关数据集相对较少、场景复杂度高、目标类别多样、点云空间分布不均等诸多难题,现有的点云深度学习语义分割方法难以满足道路场景点云语义分割的实时性和高精度需求,需进一步研究适用于道路场景的车载点云深度学习语义分割方法。本文首先介绍了深度学习网络的相关理论和部分常用的点云语义分割网络模型,然后提出了一种两阶段式三维点云语义分割方法,将传统的点云预处理方法与改进的语义分割网络相结合。在基于Point Net和Point Net++的改进网络中利用特征编码层构建局部特征提取结构提取局部特征,并通过简化的Point Net++网络提取全局特征与点特征,从而达到优化语义分割结果的目的,实验证明该改进方法能够有效提高三维点云语义分割的运算速度和分割精度。最后考虑到Point Net和Point Net++算法不适用于处理大尺度点云,而适用于车载点云的Rand LA-Net算法由于使用了随机采样方法和最近邻插值法,容易造成部分有用特征信息丢失和分割物体边界出现错误等问题,本文提出了一种基于Rand LA-Net的改进方法,采用基于点云簇的随机采样法和基于卷积的特征扩展方法对下采样和上采样进行改进,并通过实验验证了改进算法对大尺度点云的语义分割结果具有稳定性,为车载环境中的点云语义分割提供了技术支持。