近些年,三维视觉技术被广泛应用于生产生活中。随着三维视觉任务复杂度不断提高,对三维点云数据的分析变得越来越重要,所以对点云数据的处理已经成为三维视觉技术研究的热门方向。本文重点研究点云降采样算法,旨在实现对原始点云中关键点的筛选,提高三维任务网络的性能以及抗噪能力,并将其应用于不同的点云数据处理网络,搭建实际机器人自动抓取的实验平台。主要研究内容分为三部分。（1）分析现有点云降采样的特点,针对现有基于学习的点云降采样方法存在需要再匹配和再补充的问题,提出一种新的基于学习的点云降采样方法（LA-Net）。该方法引入LSTM结构作为特征提取结构,实现了对点云数据高效的三维特征提取,并引入注意力机制对提取的特征值进行打分排序,实现了对采样点的直接选择。与现有主流的采样方法相比,在低采样率时,本文提出的LA-Net在分类任务上显著地提升了分类的准确度,且在点云检索任务上提高了平均精度。（2）由于LA-Net是一种灵活的采样结构,本文将提出的LA-Net应用于不同的点云数据处理网络中,提出了一种基于LA-Net优化的点云分类和分割框架Point-Network。在不同的数据集上对Point-Network进行实验分析,实验表明Point-Network在分类准确率和分割精度上均优于其他原始点云数据处理网络。（3）本文将所提出的基于LA-Net优化的点云分类和分割网络Point-Network运用在实际场景中,测试其在实际场景数据集上语义分割效果,并且统计实际机器人完成自动抓取的成功率。实验结果表明引入LA-Net之后的任务网络在语义分割精度上提升了3.3%,让机器人的抓取成功率上提高了2%以上。本文对点云降采样方法进行相关研究,在公共数据集和自己设计的数据上验证了算法的性能。实验表明,本文的方法不仅在统一基准的实验中表现出良好的性能,而且在实际抓取实验中进一步证明了本文设计的点云分类和分割框架的有效性。