随着生产力的进步和人们对于安全需求的提升，传统基于二维图像语义分割的安全救援已经不再能满足社会发展的需要。不同于图像分割受限于光线的影响，激光雷达采集到的点云数据能精确的描述周围环境物体的特征，且受外界环境变化的影响更小。三维点云语义分割作为实现环境感知的关键，成为了场景内消防设施辨识的重要手段。因此本文提出了一种新的点云语义分割方法。在此基础上，结合迁移学习对场景内的消防设施进行分割，具体主要贡献如下：

(1)针对现有的点云分割方法在处理局部特征时忽略方向信息，且由于卷积核大小的限制无法有效地提取点云邻域特征等问题，提出一种同时结合方向编码和空洞采样的点云采样方法。

(2)利用图卷积神经网络挖掘局部邻域内点的信息，使用注意力池化层自动加权融合更具有代表性的局部点特征。结合空间注意力机制，增加点与点之间远程联系，进一步提高分割精度。在S3DIS数据集上进行语义分割实验，选用mIoU和OA作为评价指标，结果表明，所提出的方法的OA和mIoU比PointWeb高1.3%和4.0%，比基线方法RandLA-Net高0.6%和0.7%。

(3)扫描了室内消防设施点云数据，新增了灭火器类别和消防柜类别，对采集的数据集进行去噪、简化、配准以及补洞等预处理，最后手动对各语义类别添加标签制成消防设施点云数据集。

(4)提出了三种迁移模型策略，选用IoU和CA作为评价指标，在制作的消防设施点云数据集上进行语义分割实验，选择出最合适的迁移方法，实验结果表明提出的迁移模型在灭火器和消防柜的IoU为68.1%和60.4%，在灭火器和消防柜的CA分别为67%和61%。