随着3D传感器的技术发展,众多3D点云相关的计算机视觉任务应运而生,其中3D场景理解任务面临着众多挑战。在过去的几年中,使用深度神经网络对点云进行3D目标检测和场景分类逐渐成为主流方法,然而传统神经网络只通过形状特征来辨别物体和场景,未考虑到物体与场景之间的关联性。本文通过贝叶斯神经网络的方法,为3D目标检测赋予预测不确定性的能力,通过贝叶斯信念网对场景进行推理,并对目标检测的结果合理性进行验证,从而减少了3D目标检测不合理的输出,并为场景分类增加了可解释性。针对传统3D目标检测模型无法对不确定性进行评估的问题,本文根据贝叶斯神经网络的原理,对Group-Free 3D目标检测模型进行了改进,提出了Bayes GF3D模型,使得点云的目标检测模型具有预测不确定性的能力。此外,本文提出了贝叶斯卷积层的概念,并对贝叶斯全连接层的计算方式进行了改进。在实验中,Bayes GF3D模型可以在不显著降低精度的情况下,有效地对物体的不确定性进行预测。本文还对点云中目标检测的不确定性的影响因素进行了探讨。针对使用物体类别对场景进行推理的问题,提出了基于贝叶斯信念网的3D点云室内场景概率图模型,通过选择高频物体和构造局部场景这两种优化方案,贝叶斯信念网可以高效地通过观测到的物体证据预测室内场景的类别。针对传统神经网络无法充分利用场景的上下文信息的问题,提出了一种以物体和场景的联系为核心的场景理解模型,通过目标检测结果与推断出的场景之间的概率联系,对目标检测的结果进行合理性验证,从而提升了3D点云目标检测的精度,并且得到了一个可解释的场景理解模型。本文提出的对点云室内场景理解的模型可以有效地滤除在3D目标检测中不符合环境上下文的检测结果,从而提升目标检测的精度,并且为场景的分类任务提出了一个可解释的模型。