我们提出了一种从点云中进行特征学习的简单且通用的框架。卷积神经网络（CNN）成功的关键在于卷积算子，该算子能够利用以网格形式密集表示的数据（如图像）中的空间局部相关性。然而，点云具有不规则性和无序性，若直接对点关联的特征进行卷积操作，将导致形状信息的丢失以及对点排列顺序的敏感性。为解决上述问题，我们提出从输入点中学习一种$\mathcal{X}$X-变换，以同时实现两个目标：其一是对点关联的输入特征进行加权，其二是将点重新排列为一种潜在的、可能具有规范性的隐式顺序。随后，在$\mathcal{X}$X-变换后的特征上应用典型卷积算子中的逐元素乘积与求和操作。所提出的方法是对传统CNN在点云特征学习上的推广，因此我们将其命名为PointCNN。实验结果表明，PointCNN在多个具有挑战性的基准数据集和任务上，性能达到或优于当前最先进的方法。