学习三维点云的新表示方法是三维视觉领域的一个活跃研究方向，因为点云的无序结构仍给神经网络架构的设计带来挑战。近年来的研究工作主要致力于从点云中学习全局特征、局部特征或二者兼有，但此前的方法均未关注通过分析点的局部方向分布来捕捉上下文形状信息。本文提出利用某一点周围点的方向分布，以获得更具表现力的局部邻域表示。具体而言，我们通过将给定点的球形邻域划分为预定义的锥形区域，并将每个区域内的统计特征作为点的特征表示。这种方式不仅考虑了目标点的最近邻点，还结合了围绕该点在多个方向上定义的点密度分布，从而构建出更丰富的局部结构描述。基于此，我们设计了一种基于方向分布函数（Orientation Distribution Function, ODF）的神经网络结构，其中核心模块为ODFBlock，其依赖于多层感知机（MLP）层实现。所提出的新型ODFNet模型在ModelNet40和ScanObjectNN数据集上的物体分类任务中达到当前最优性能，在ShapeNet S3DIS数据集上的分割任务中也取得了先进水平的准确率。