场景识别作为语义地图技术的关键技术之一,能为服务机器人提供先验知识,提升机器人操作的效率。面向三维点云数据的场景识别算法,能充分利用场景的几何信息且不受光照影响,具有广阔的应用前景。随着深度学习理论的发展,近几年,基于图神经网络的方法成为了三维点云识别领域的热门研究方向。基于图神经网络的点云处理算法,大致可以分为逐点处理方法与体素化方法。前者操作直接简单,但要计算每两点间的关系,复计算杂度过高难以适应大规模点云。后者对点云分块处理,能适应大规模点云,但难以避免的使用0元素进行数据补齐,增加了计算量,并且补充的0元素会对任务目标造成干扰,体素之间的空间关系表达也不明确。两种方法的分类准确率几乎都只在点云规模小且分布均匀的物品分类数据集上进行验证,并未在点云场景分类数据集上进行评估。本文面向服务机器人实际应用,提出一种基于图神经网络的体素化室内点云场景识别方法。主要的研究内容如下:（1）提出一种端到端的体素化点云分类方法,适用于真实点云场景分类任务。该算法对各体素使用图卷积网络获得具有区分度的体素特征,之后使用transformer注意力结构学习体素间的关系,完成场景分类任务。（2）针对传统体素化点云处理算法的不足做出了优化。通过删除无效体素并在体素内降采样的方式减少0元素的填充,降低计算复杂度。在体素特征提取,体素特征整合两个阶段利用初始空间结构信息缓解0元素对有效信息的干扰。将几何描述符知识与深度学习结合,强化体素特征区分度,提升场景分类准确率。（3）在三个现有场景点云数据库上对本文所提算法进行了验证,并与先进的图神经网络算法PointNet,DGCNN进行了对比。结果表明,在多种真实场景数据库上本文算法的分类准确率都超过了先进的图网络算法DGCNN算法2%以上,最高超过了 3.8%,远超过PointNet算法。设计了多种消融实验,对网络相关结构以及关键参数进行了合理性分析。基于实验结果,分析了本文算法在场景点云分类任务上的合理性与不足。（4）将本文算法迁移到机器人移动平台上,对机器人实际采集到的连续帧点云数据进行了场景分类实验验证。使用帧间融合的方式进一步提升了算法对于机器人视角连续帧场景点云的分类准确度,加强了本文算法在机器人应用中的实用性。