近年来,机器人技术的不断进步促进了国内机器人行业的快速发展,如何使用机器人对周围的环境进行建模,并完成对场景的感知与理解是机器人智能化研究的重要课题。在对环境建模部分,实时定位与地图重建（Simultaneous Localization and Mapping,SLAM）技术实现了机器人可以知晓自身所处的位置和了解当前所在的场景,然而SLAM构建的稠密点云地图存在噪声点,并且缺失了语义的信息,使得机器人无法对地图进行感知与交互。在场景感知部分,可以通过神经网络去学习点云空间中物体的特征分布。Deep GCNs为图卷积神经网络中的一种,采用的深层图卷积可以完成三维点云语义分割任务,而其在预测模块部分存在一些不足,没有充分地利用局部特征之间的联系,且由于神经网络自身的限制,在语义分割结果中部分空间点被错误地预测。本文针对以上机器人在环境建模与场景感知部分的不足,提出了以下改进:（1）本文对于点云地图中出现的噪声点和缺少预分割信息的问题,采用基于密度的点云离群点去除以及超体素分割的算法。设计了一套基于四旋翼无人机的稠密点云建图系统,并在实际场景中完成了室内稠密点云建图,通过离群点检测算法一定程度上消除了地图中存在的噪声点,并采用超体素分割算法在点云地图中聚合各物体的局部特征,完成地图预分割。（2）本文对于Deep GCNs模型在预测部分未充分利用局部特征的问题,对原网络进行了改进,提出基于双通道注意力网络的Deep GCNs-Att语义分割模型,使用了公共数据集S3DIS对网络进行训练,与Deep GCNs相比,本文提出的模型具有更少的网络参数量与浮点运算数,采用6折交叉训练法在相同的主干网络层上平均交并比提升约2.16%,总体准确率为84.7%。（3）本文对于语义分割中出现误检测点的问题,提出基于曲率的马尔可夫随机场优化算法,首先通过两种不同的降采样算法过滤语义分割中冗余的信息,并采用马尔可夫随机场对语义分割结果进行优化,通过实验证明基于曲率的马尔可夫随机场优化算法的有效性,相比于Deep GCNs-Att语义分割结果,提升了约0.78%的平均交并比与0.36%的总体精度。本文设计了一套基于无人机的稠密点云建图系统,在实际的室内场景中进行稠密地图的构建,采用离群点去除与超体素分割算法对地图进行了预处理,提出Deep GCNs-Att语义分割模型与基于曲率的马尔科夫随机场优化算法,并在公共数据集S3DIS上验证了以上两种算法的有效性与可行性。