LiDAR点云分割是众多应用中的关键问题。在大规模点云分割任务中，目前的“事实标准”方法是将三维点云投影为二维LiDAR图像，然后使用卷积神经网络进行处理。尽管LiDAR图像与常规RGB图像在形式上具有相似性，但我们发现，LiDAR图像的特征分布会随图像位置的不同而发生显著变化。若采用标准卷积对这类图像进行处理，将带来问题：卷积核仅捕捉在图像特定区域活跃的局部特征，导致模型整体特征表达能力未能充分释放，进而降低分割性能。为解决该问题，我们提出空间自适应卷积（Spatially-Adaptive Convolution, SAC），根据输入图像的不同位置动态选择相应的卷积核。SAC可通过一系列逐元素乘法、im2col变换与标准卷积高效实现，具有良好的计算效率。该方法为通用框架，此前多项方法可视为其特例。基于SAC，我们构建了SqueezeSegV3模型用于LiDAR点云分割，在SemanticKITTI基准测试中，相较于所有先前发表的方法，mIoU指标提升至少3.7%，同时保持了相当的推理速度。