通过深度网络分析3D点云的几何和语义特性仍然具有挑战性，主要是由于其几何结构的不规则性和稀疏采样。本文提出了一种新的方法，通过引入环形卷积（annular convolution）直接在3D点云上定义和计算卷积。这种新的卷积算子可以通过指定计算中的环形结构和方向（包括规则和扩张的环形结构），更好地捕捉每个点的局部邻域几何特性。它能够在信号处理层面上适应几何变化性和可扩展性。我们将该方法应用于开发的分层神经网络中，用于对象分类、部件分割以及大规模场景中的语义分割。广泛的实验和对比表明，我们的方法在多种标准基准数据集（如ModelNet10、ModelNet40、ShapeNet-part、S3DIS和ScanNet）上优于现有最先进的方法。