在三维点云上实现类比于二维网格域的卷积操作，虽已受到广泛关注，但仍远未达到理想状态。标准卷积对三维点之间的特征对应关系缺乏区分能力，导致其在特征学习方面存在固有的局限性，难以有效捕捉点间差异化的语义关系。本文提出一种自适应图卷积（Adaptive Graph Convolution, AdaptConv），该方法根据点在动态学习过程中获得的特征，自适应地生成对应的卷积核。与使用固定或各向同性卷积核的方法相比，AdaptConv显著提升了点云卷积的灵活性，能够更有效、更精确地建模来自不同语义部分的点之间的多样化关系。与主流的注意力加权机制不同，AdaptConv的自适应特性内嵌于卷积操作本身，而非简单地为邻近点分配不同的权重。大量定性与定量实验表明，所提方法在多个基准数据集上的点云分类与分割任务中，均优于当前最先进的技术。代码已开源，地址为：https://github.com/hrzhou2/AdaptConv-master。