激光点云语义分割作为自主移动机器人环境感知与理解的重要分支,需要平衡语义分割的准确率与嵌入式平台的计算资源。准确的分割结果有助于机器人更为准确地完成抓取、定位和路径规划等任务。传统启发式几何特征信息提取已难以满足越发复杂的应用环境与类别的多样性,从而促进以数据驱动方式自主学习激光点云特征的发展。然而,目前主流方法将点云转换为规则的二维图像或笛卡尔栅格进行处理,减少了因点云非结构化所带来的计算量,但二维图像方法不可避免地改变点云的三维几何拓扑结构,而笛卡尔栅格忽略室外激光点云的密度不一致性,从而限制了包括行人和自行车等小物体的语义分割能力。本文围绕室外大场景的激光点云实时语义分割展开研究。设计高效的语义分割需要综合考虑激光点云的数据源、表述方式、特征学习等因素,因此,首先设计高效的激光点云表述方法,进一步设计并实现激光点云实时语义分割方法,具体包括以下几方面内容:（1）研究室外场景激光点云数据的表述问题:提出一种基于三维锥形栅格的激光点云表述方法,通过相对激光雷达坐标系的水平距离、倾斜角、方位角三个维度方向进行分区,从而平衡栅格单元内数据点。实验表明该方法在室外激光点云的数据集上,相比于笛卡尔栅格和柱形栅格更好地平衡栅格内数据点,具有较小的量化误差,同时在降采样过程中能更好保留点云的几何信息。（2）研究高分辨稀疏栅格的语义分割问题:提出一种基于三维锥形栅格和三维稀疏卷积网络的室外激光点云分割方法,利用锥形栅格分区解决点云的稀疏性和密度不一致性;并设计重参数化的三维稀疏卷积网络充分学习栅格的几何特性,同时在模型推理阶段提升内存使用率和计算效率。实验表明该方法在室外激光点云的数据集上优于目前主流方法,尤其在少类别和近距离的数据点能准确的识别,适用于复杂场景下运行。（3）研究高分辨率点云与高效三维栅格融合问题:提出一种基于点和锥形栅格交互的激光点云语义分割方法,利用逐点的高分辨信息、稀疏锥形栅格的高效局部学习能力以及结构重参数技术提升网络推理速度,进一步在锥形栅格分支设计注意力池化金字塔模块来扩大模型感受野,而在点与栅格的特征交互部分设计注意力融合网络,解决数据交互所采用三线性插值方法因随机内存访问所带来计算成本而相邻插值则缺乏两者之间精确的坐标关系。此外,还提出了改进的实例混合数据增强方法,缓解训练过程中数据样本不平衡,同时避免增强数据出现重叠的问题。实验表明该方法具有较好的分割精度,同时满足实时性的要求。