随着低成本传感器的出现,三维点云的获取变得越来越便捷,因此三维点云理解也越来越受到计算机视觉领域研究者的关注。未来生活中的许多应用都与之密切相关,例如自动驾驶、室内导航、人机交互和虚拟增强现实等。在与三维点云理解相关的技术中,场景点云语义分割和三维物体分类是该领域的关键问题。由于点云的无序和非结构化特性,使得在将深度学习的方法运用于该问题时仍然面临着诸多的困难和挑战。本文针对场景点云语义分割和三维物体分类任务的技术难点,分别提出了基于卷积神经网络的场景点云语义分割和三维物体分类算法。场景点云语义分割算法,主要针对人工构造特征表达能力不足,且传统卷积神经网络架构无法直接在三维点云上运用的问题,提出了可以直接处理点云的局部坐标系平面卷积。该卷积方式可以有效的提取点云局部的结构化信息。在实现时,通过使用深度可分离卷积显著的减少了模型的计算量。利用类似于图像语义分割领域U-Net的自编码网络作为点云语义分割算法的整体架构,同时,通过在编码器和解码器之间增加跳级连接,使模型在做预测时既能用到网络高层的语义特征,又能用到网络低层的纹理特征。该方法对场景中物体分布变化更加鲁棒,提高了算法的准确率。三维物体分类算法,主要针对点云的无序性、刚性变换不变性、点与点之间的结构关联性等特点,并结合局部坐标系平面卷积,设计了一种用于三维物体分类任务的神经网络模型。该网络模型通过随机采取固定数量三维物体表面的点作为输入,利用局部坐标系平面卷积来对点的邻域进行组织和联系,并对点云的局部结构特征进行提取。对于学习到的点云的局部特征,通过最大池化对特征图进行处理来获得能够对三维物体进行总体概括的全局特征。此外,通过在卷积层之间引入空间变换网络模块,加强了网络对刚性变换的适应性。实验结果表明,相比于基于体素的三维物体分类算法,该算法可以充分考虑各类三维外观以及尺度变化的差异,实现在包含多种物体的数据集上的类别预测。