我们提出了一种基于八叉树引导的神经网络架构和球形卷积核，用于从任意三维点云中进行机器学习。该网络架构充分利用了不规则点云的稀疏特性，并通过空间分割逐层粗化数据表示。同时，所提出的球形卷积核系统地量化了点邻域，以识别数据中的局部几何结构，同时保持平移不变性和非对称性。我们利用网络神经元来定义球形卷积核，这些神经元与空间位置相关联。我们利用这种关联避免在训练过程中动态生成卷积核，从而实现高效学习高分辨率点云。该技术的有效性在3D对象分类和分割的基准任务上得到了验证，在ShapeNet和RueMonge2014数据集上取得了新的最先进水平。