随着自动驾驶和机器人技术的广泛应用,激光雷达传感器已成为现代自动系统不可或缺的设备。与传统的视觉相机相比,它可以捕获更精确、范围更广的测量值,因此受到了极大的关注。激光雷达传感器的测量自然形成三维点云,它可以帮助自动系统理解周围的环境。点云场景的语义分割对于驾驶场景理解至关重要,它旨在识别每个三维点的语义类别,例如汽车、卡车、行人等,从而提供的场景感知信息,是一个关键且具有挑战性的问题。本论文针对大规模室外激光雷达点云场景的特点,对激光雷达场景的语义与几何关系进行了研究与探索,主要的成果如下:1.针对激光点云分布稀疏、数量众多且排列不规则的问题,提出了一种基于体素的轻量级激光雷达点云语义分割方法。使用了一种圆柱体素化方法,让点云在体素中分布地更加均匀。采用多层级体素内特征融合模块,在分辨率不同的体素内部融合点云的特征,扩大感受野。通过记录点云到体素的映射关系使得特征聚合步骤非常高效,节省了查找近邻的时间。最终使用基于三维稀疏卷积的U-Net网络得到语义类别。在公开数据集上进行的实验表示,所提出方法能够在仅使用少量参数和极快的推理速度的情况下一次处理多帧点云,与同期方法相比具有一定的优势。2.为了探索场景的语义信息与几何信息之间的联系,提出了一种室外场景补全方法。场景补全旨在从稀疏、不完整的点云中恢复出完整的语义场景。使用原始点云作为输入,设计了一个端到端的语义分割辅助的场景补全网络。网络包括一个二维补全分支和一个三维语义分割分支,通过分层融合两个分支之间的语义特征,可以得到良好的语义补全场景。此外,分割分支的解码器部分作为辅助模块,在推理阶段可以被丢弃以减少资源消耗。在公开数据集上的实验表明,所提出的方法在补全效果上超越了同期的先进方法,并且在推理速度上可以达到20FPS。3.将所提出的语义分割网络应用于全景分割任务中,为自动驾驶系统提供更加完整的感知解决方案。根据激光雷达点云的采集方式,采用了一种基于激光雷达扫描线的实例分割方法对事物类别（things）进行划分。得益于良好的语义分割结果,全景分割方法在取得良好效果的同时保持了快速的推理时间。