近年来,随着三维采集技术的飞速发展与普及,三维点云数据的获取变得愈发便捷。三维点云在自动驾驶、智能机器人、现实增强等领域的应用也越来越广泛。在三维点云感知的技术中,三维点云数据的分类与分割是三维感知领域的关键技术问题。然而,三维点云数据固有的无序性、不规则性、旋转不变性给点云的分类与分割造成困难与挑战。深度学习作为人工智能的主导技术,已经成功地应用于解决各种二维图像视觉问题。但是,处理点云的深度学习方法仍处于起步阶段。目前国内外基于深度学习的点云分类与分割网络通常都包括两个重要的步骤:特征聚合和特征提取。本研究针对三维点云分类与分割网络中特征聚合与特征提取这两个关键步骤,分别提出空间注意力（Spatial Attention,SA）模块与偏移注意力边卷积（Off-Set Attention Edge Convolution,OA-Edge Conv）模块,致力于提高点云分类与分割的精度。本研究的主要研究内容包括以下两个方面:（1）本研究针对现有基于深度学习的三维点云分类与分割方法在聚合过程中使用最大值特征所带来的信息丢失问题,提出空间注意力（Spatial Attention,SA）模块,并将该模块与动态图卷积网络进行结合,搭建了动态图卷积空间注意力网络（Dynamic Graph Convolution Spatial Attention Neural Networks,DGCSA）。首先,本研究采用动态图卷积网络的核心模块Edge Conv对点云数据进行特征提取,然后针对局部邻域聚合过程中容易产生信息丢失的问题,通过使用空间注意力（SA）模块学习出比最大值特征更具有代表性的局部特征,进而提高模型的分类与分割精度。本研究分别在Model Net40、Shape Net和S3DIS数据集上分别验证所提方法的分类、实例分割、语义场景分割性能。实验结果表明在动态图卷积网络的基础上,在聚合局部邻域特征中引入空间注意力（SA）模块,相比较于使用最大值特征而言可以更好的聚合邻域特征,有效地提高了模型在点云上的分类、实例分割与室场景语义分割的精度。在测试集上的对比实验结果展示该方法在分类任务上整体分类精度达到93.4%;实例分割的平均交并比达到85.2%;在室内场景分割的六折交叉检验平均交并比达到59.1%,相比基准网络动态图卷积网络分别高出了0.8%、0.3%、3.0%。此外,为了验证本研究提出的空间注意力（SA）模块是一种即插即用的特征聚合方法,将空间注意力（SA）模块结合PointNet、PointNet++、LDGCNN网络进行消融实验。消融实验结果表明上述网络结合空间注意力（SA）模块在分类任务的精度上均有提升,分别为0.5%、0.4%、0.6%。（2）三维点云的处理具有很大的挑战性,因为不规则点形成的不同形状难以区分。彻底地掌握难以捉摸的形状需要足够的上下文语义信息,但现有方法中很少致力于提取点云的上下文语义信息。因此,本研究针对现有方法对点云分割中对于整体形状相似,但是属于不同类别语义类标签的点云模型不能进行有效分割的问题,设计了偏移注意力边卷积（Offset Attention Edge Convolution,OA-Edge Conv）模块,并与注意力聚合模块结合,搭建了动态偏移注意力边卷积网络（Dynamic Offset Attention Edge Convolution Neural Networks,DOAEC）。偏移注意力边卷积模块在边卷积（Edge Conv）模块的基础上,结合自注意力机制与拉普拉斯矩阵的核心思想,通过计算注意力加权特征和输入特征之间的偏移量来代替注意力特征,充分挖掘三维点云潜在的上下文语义信息。本研究为了验证所提方法的有效性,分别在Model Net40、Shape Net和S3DIS数据集上验证所提方法的分类、实例分割、语义场景分割性能。在测试集上的对比实验结果表明本研究所提出的偏移注意力边卷积模块在保证较高分类精度（93.4%）的基础上,能够较显著提升网络的点云分割性能。在三维点云实例分割数据集ShapeNet的平均交并比达到85.5%,在三维点云室内场景语义分割数据集S3DIS上的六折交叉检验平均交并比为61.9%,相比较于基准网络动态图卷积网络分别高出了0.6%与5.8%。