随着计算机视觉研究的迅速发展,三维场景的语义理解已广泛应用到多个三维场景感知领域,例如室内导航、机器人等智能设备对周围场景的识别与理解直接影响其定位和避障的能力,基于深度学习的室内点云分割作为室内场景理解的关键,具有重要的研究意义,本文具体研究内容如下:（1）深入研究近年来国内外学者将深度学习应用于室内三维场景点云分割的理论知识,针对深度神经网络Point Net和Point Net++在三维点云局部特征提取存在的问题,对室内三维场景点云语义分割局部特征提取算法展开研究。（2）针对PointNet网络缺少对点云数据局部信息的提取,导致分割精度不高,提出了SGW-KNN算法,并应用于Point Net网络的局部特征提取方法,其命名为KNNPoint Net。实验结果表明,相比于Point Net、Point Net++以及当前一些先进的分割网络,KNN-Point Net具有更好的分割效果。（3）针对PointNet++网络中球查询算法对特征点的选取具有随机性,难以表达局部邻域的细节特征,在Point Net++局部特征提取的研究基础上引入KNN优化策略,提出了OPT-BAll算法应用于Point Net++分割网络并将其命名为BALL-Point Net++。实验结果表明,OPT-BAll算法丰富了Point Net++网络的局部特征表征能力、强化了细节特征的表达效果,验证了OPT-BAll算法的可行性和有效性。（4）结合SGW-KNN和OPT-BAll算法思想提出了OPT-SGW算法,选取局部区域中特征联系更为紧密的点作为局部特征提取点。将OPT-SGW算法应用于Point Net和Point Net++分割网络并将其分别命名为SGW-Point Net和SGW-Point Ne++,通过对比实验表明,OPT-SGW算法结合了SGW-KNN和OPT-BAll算法的优点,与当前先进的分割网络相比具有较高的平均类别交并比和更高的总体准确度。