随着三维测量技术的发展,三维数据获取越来越便捷,使得三维图形学等相关领域的研究得到了广泛的关注。三维点云作为三维数据的基本表达形式,被应用于自动驾驶、机器人学和地理遥感等。本文结合深度学习的方法,面向点云数据实现三维场景的语义分割和场景描述。首先,本文提出了一种基于点云数据的多尺度多层次特征提取网络(Di M-PCNet)。Di M-PCNet网络通过方向一致性采样法得到均匀的多尺度点云信息,之后在特征提取部分采用金字塔形式对多层特征进行逐层叠加,以获取多尺度和多层次的特征。Di M-PCNet网络保证了点云特征的多样性和完整性,解决了点云固有的数据密度不均匀的问题。其次,本文利用Di M-PCNet网络的特征提取模块对点云场景的局部特征和全局特征进行融合,构建了点云场景的语义分割网络,并用插值法对点云数据进行上采样,在特征提取时获得更多点云轮廓的关键信息。本文的方法在公共数据集Model Net40、Shape Net和S3DIS上进行验证,且分类和分割任务的准确率均得到了提高。最后,本文通过Protégé构建了三维室内的场景本体。为构建本体,本文定义了基于室内空间信息标准Indoor GML的三维室内空间的语义划分模板,建立了本体的类和各类别之间的关系。将本体的概念引入点云的场景理解中,对室内场景进行归类和关系梳理,拓宽了点云场景语义理解的深度和广度。