深度学习已经成功地被应用于解决各种计算视觉问题。但在无人驾驶、机器人技术等应用场景下,图片无法提供感知环境所需的全部信息。相比于图像,三维数据可以更准确地还原现实场景,在不同应用场景的推动下,处理三维数据逐渐成为热门课题,其中点云作为较为简洁的三维数据的表示形式,不论是获取还是应用上都十分简便,因此高效地分析点云是让机器理解三维数据的关键。然而现存的方法存在诸多问题,比如,在点云场景语义分割任务中,许多方法上下文感知能力不足,无法正确分割结构相似的不同物体,比如门和窗等。另外,当前方法的成功依赖于大量的有标签数据,然而在实践中,点云标注成本极其昂贵。同时,在点云分类任务中,由于严重依赖大量的训练数据,现有模型泛化能力不足,很难推广到新的类别。本文针对以上三个问题展开研究,研究内容如下:第一,针对现有方法容易混淆相同结构但不同类别的物体,设计了基于多层次上下文的大规模点云语义分割模型。本文首先借鉴自校准的思想,显式地建模不同尺度之间的上下文关系,同时提出语义相关上下文模块,对相同类别的点的特征进行约束。多个数据集的结果表明,本文方法能有效避免结构相似的物体带来的歧义,并优于同期算法。第二、针对标注成本昂贵的问题,本文对现有的点云弱监督方法所采用的标注方法进行了探讨,提出更加简单的标注方法。同时,针对监督信息不足的问题,设计了针对弱监督的点云分割模型。本文将点云补全作为辅助任务,在不引入额外标签的前提下加强了模型对部分点云与整体间的感知能力,此外,为了充分利用标签信息,本文提出类别注意力模块,通过利用类别原型对分割结果进行优化,进一步改善分割结果。实验表明,该方法具有优越的性能,在多个数据集上都极具竞争力。第三、针对在点云分类中,现有模型泛化性不足的问题,提出基于小样本学习的点云分类模型。本文使用度量学习来解决小样本问题。为了提高模型特征提取能力,使用自监督框架BYOL进行预训练,将所学知识迁移至小样本点云分类任务。同时,提出全局上下文推理模块,使得模型在预测类别时,能够结合每个类别的特征,作出更加合理地判断。实验结果表明,本文方法鲁棒性高、泛化性强,能够高效地解决点云小样本分类问题。