大规模点云的可用性增加及其在机器人技术、形状合成和自动驾驶汽车等广泛应用中的实用性，吸引了工业界和学术界的更多关注。近年来，基于标记点云的深度神经网络在分类和分割等监督学习任务中展现出令人鼓舞的结果。然而，监督学习导致了对点云进行标注这一繁琐的任务。为了解决这一问题，我们提出了两个新颖的自监督预训练任务，这些任务利用覆盖树（cover-tree）对点云进行分层划分，其中每个层次的覆盖树包含不同半径球体内的点云子集。此外，我们的自监督学习网络仅限于在少量样本支持集上进行预训练，该支持集用于在少样本学习（Few-Shot Learning, FSL）设置下训练下游网络。最终，完全训练好的自监督网络生成的点嵌入被输入到下游任务的网络中。我们在下游分类和分割任务上对所提出的方法进行了全面的实证评估，并表明使用我们的自监督学习方法预训练的监督方法显著提高了现有最先进方法的准确性。此外，我们的方法在下游分类任务中也优于以往的无监督方法。