现如今点云是无人驾驶、机器人系统、虚拟现实等多个领域广泛应用的数据源之一,而特征提取是点云处理与应用的必要环节。由此,点云的特征提取算法成为了计算机视觉领域的研究热点。随着深度卷积神经网络在二维计算机视觉中不断取得突破,许多研究人员开始考虑将其迁移到点云中使用。然而直接使用深度卷积网络处理点云数据存在一个问题:点云是无序的,即数据的完整表示与数据输入的顺序无关,而卷积网络适用于有序的数据结构。目前以点云为原始输入的深度卷积网络通过两种方式来解决这个问题:一类是采用对称函数,例如最大池化,使得不同输入顺序的同一点云经过处理后结果一致。第二类方法则是对点云进行某种顺序变换,将其变换为有顺序的点云。然而,现有方法在点云顺序变换方面的探索有所不足,限制了点云特征提取的效果。为了探究点云顺序序列对特征提取带来的影响,本文提出了一个基于自适应排序模块的端到端点云深度卷积网络。此网络可以对每一个输入的局部点云邻域都能自适应地学习一个独立的顺序变换,且在多类点云视觉任务中都有着出色的表现。本文也通过详尽的实验证明了基于自适应排序模块的点云深度卷积网络有效性和优越性。此外,自适应排序模块也可以灵活高效地嵌入其他主流点云特征提取网络中进一步提高其网络性能。本文的主要贡献有:1.提出了一种面向点云数据的自适应排序模块。该方法可针对输入点云进行顺序变换以实现顺序不变性,并可灵活嵌入主流网络以提升性能。2.构建了一种基于自适应排序方法的点云深度卷积网络,并在点云分类与点云分割任务上验证了其性能。3.验证了自适应排序模块的有效性,证明了点集顺序序列中潜在的几何信息在点云深度学习中起到关键作用。