伴随着三维室内场景理解与智能环境感知领域的蓬勃发展,作为其发展基石的三维点云语义分割手段也变得也越来越重要。近几年来,深度学习方法在室内场景稀疏点云语义理解任务中得到了广泛的应用。三维点云数据自身固有的稀疏性的特点以及处在高维空间内的低维点云数据的存在,使得现有的点云深度学习模型仍然会具有特征信息提取能力不足的问题。针对此弊端,本课题以提升稀疏点云深度学习网络特征提取能力与网络框架泛化能力为目标,基于残差注意力机制和图卷积的理论,直接处理三维室内稀疏点云数据进行语义分割,通过分析对比,本文方法具有准确率高的优势。本文的主要研究工作如下:首先,针对现有分割网络对室内稀疏点云中的关键点特征提取能力不充分的问题,基于注意力机制的思想,构建注意力稀疏点云语义分割网络,通过注意力机制对关键点邻域的不同点分配不同的权重系数,对特征通道中的空间注意力和通道注意力进行全局的计算,以此来增强局部区域中关键点的方向感知和空间特征表达能力,依据残差结构的优势构建残差注意力模块。其次,为进一步加深注意力机制对稀疏点云对局部特征的提取能力,提出一种基于固定距离的近邻图构造方式,获取关键点固定距离范围内各邻居节点处特征信息,以此构建邻接矩阵和特征矩阵,对两个矩阵进行乘积操作获得所有邻居节点的特征向量之和,将得到的特征信息通过神经网络进行训练。最后,利用本文设计的残差注意力机制模块与基于固定距离的图卷积,构建稀疏点云语义分割的整体模型。利用此模型,以Scan Net数据集和S3DIS数据集为对象,开展三维稀疏点云数据语义分割实验研究,验证了本文提出的方法在室内三维稀疏点云的语义分割任务中的性能。