三维扫描技术突飞猛进的发展、相关科学技术的进步以及多种传感器设备的飞速发展为三维数据的研究提供了重要的发展机遇。点云作为三维数据的重要表示形式,在很多研究领域都有着广泛的应用场景。而基于深度学习的点云语义分割和实例分割技术已成为模式识别、测绘、计算机视觉等多个领域的研究热点,蕴藏着巨大的应用潜力。目前已有的基于深度学习的点云语义分割方法主要关注点云全局或局部特征的提取,忽略了点云的形状信息以及点间语义特征的提取,而点的形状几何以及点间的语义信息对于物体分类和分割也是至关重要的。关于实例分割技术,现有方法在进行联合语义-实例分割时,不经任何处理直接将原始点云输入到骨干网络进行语义特征和实例特征的提取,忽略了邻域信息对于特征表示的关键作用,导致编码层的初始输入特征表达不充分;并且对于获取的特征采取简单的特征融合策略,忽略了两种特征中各自包含的面向任务的信息,带来了任务冲突的风险。针对上述问题,本文分别提出两种方法对基于深度学习的语义分割和实例分割技术展开研究,主要工作如下:（1）提出一种基于空间注意力机制的多特征融合动态图卷积神经网络。首先,在提取点云局部边缘几何特征的基础上,将点云的低维几何特征映射到高维特征空间,以获取点云丰富的形状信息,并利用多层感知机提取点的全局高维特征;然后,引入一种空间注意力机制,提取点间的语义特征;最后,将儿何形状特征与高层语义特征进行有效融合,丰富点云的全局、局部特征表征。在多个公开数据集上对所提网络进行了实验,实验结果表明,该模型在目标分类、部件分割、语义分割任务中,均取得了较好的性能。（2）提出一种基于点特征增强的联合分割网络框架。首先通过构建点特征增强模块捕获点间的儿何相关性以丰富点的特征表示;然后将带有注意力池化操作的PointNet++作为骨干网络鲁棒地提取语义特征和实例特征;最后应用嵌入了注意力特征连接的融合模块,充分挖掘语义特征和实例特征之间的相关性,联合实现分割任务,避免了潜在的任务冲突。实验结果表面,该模型在语义和实例分割任务中,均展现出良好的分割性能。