随着计算机技术的发展与三维扫描设备的快速普及,文化遗产相关的数字化保护工作有了新的进展。很多文物可通过现有的扫描设备实现数字化,保存在计算机设备中。由于大多出土的文物在被发掘时已不复原样,需要进行进一步的处理复原。文物碎片的部位识别是文物修复工作的关键步骤,分类方法能够按照预先设定的部位类别对文物碎片进行识别分类。高效的分类方法可为后续的拼接修复工作奠定坚实基础,加速文物的修复重组进程。针对目前文物数字化保护工作中,无法提取有效特征信息和分类精度低的技术瓶颈。本文将带有注意力机制的层次化结构设计与多分辨率多特征融合策略运用到了文物碎片分类中,具体的研究内容如下:（1）提出一种层次化结构设计的三维文物碎片分类方法。首先通过下采样操作获取点云特征中心点,以每一个特征中心点为中心构建局部区域,通过多层感知机提取每个局部区域的特征信息,并构建注意力模块来学习局部区域中每个特征通道的重要程度,按照重要程度的高低对不同特征通道分配相应的权重,提升对分类任务作用较高的特征,抑制作用较低的特征。然后,在此基础上引入中心损失,联合交叉熵损失与中心损失对点云网络模型进行更新优化。实验结果证明,该方法能够充分提取每个特征中心点的局部信息,在不增加过多计算量的条件下,保持有较高的分类准确率。（2）提出一种改进的自增强文物碎片分类框架。主要改进了原始自增强框架中的增强器,对增强器的原始输入多次下采样来获取多分辨率点云输入。利用多层感知机提取不同分辨率的点云特征,并结合点云的浅层特征与深层特征生成点云全局特征。融合多分辨率多特征的点云特征来提高增强器的学习能力。自增强框架以分类结果为导向,采用对抗式学习策略联合优化更新增强器和分类器中的参数,其中增强器学习生成的增强样本相比传统方法更具自适应性。实验结果证明,对于不同的点云数据集,改进的自增强框架能够生成更好的增强样本,对不同分类网络的分类性能都有不错的提升,且高于原始自增强框架的分类精度。