点云可用来描绘物体在三维空间中的形状,被广泛应用于自动驾驶、质量检测、结构可视化以及动画渲染等领域。随着深度学习技术的发展,人们逐渐将视角从二维视觉转向三维视觉,点云由于能够最大限度地保留物体的几何信息,因此成为研究该问题的首选。近些年来,在大规模三维点云上展开的深度学习工作已经取得了巨大的进展。然而,点云中专门面向小目标的语义分割仍然是该领域的挑战之一,许多问题亟待解决:（1）小目标所承载的语义信息和物理拓扑结构通常呈现出明显的稀疏性,加之无序性与置换不变性,使得现有研究无论是二维领域的小目标分割还是三维领域的一般语义分割,都难以推广到三维小目标语义分割中。（2）小目标的稀疏性会引发类别不平衡等问题。海量背景信息主导了特征学习器,且使得从背景中选取小目标样本变得极其困难,导致小目标的特征表达呈现弱势。针对现有方法在小目标语义分割上存在的问题,本文研究并实现了基于类别感知的小目标分割算法,在大规模三维点云上首次探索小目标语义分割任务,并选取真实应用对模型展开了探索:第一,本文研究并实现了一个两阶段的小目标分割方法,首次通过设计深度神经网络在大规模三维点云上探索小目标语义分割任务。该方法可以有效地处理大规模点云,学习信息丰富且具有区分度的特征表示。在第一阶段,设计了基于类别感知的点云过滤策略,消除冗余的背景信息;在第二阶段,引入了一种有监督的聚合与采样方案,逐步增加每个三维点的感受野,自适应地从小目标中捕获有用的信号并学习其复杂的几何结构;本文还设计了一个有偏损失函数,有效处理了小目标的稀疏性。在公开数据集上,本文的方法在度量指标下取得了很好的小目标分割性能。第二,本文利用所提出的小目标分割方法,解决了现实世界中的一项应用。在三维领域选取岩栓检测作为小目标分割的实际问题,设计了岩栓检测系统,并将两阶段的小目标分割方法嵌入其中,通过小目标分割模型得出岩栓在隧道中的准确位置。这是利用深度学习技术解决岩栓检测问题的首次尝试。在私有数据集上,大量实验验证了其有效性与优越性。