数据增强是提高深度学习模型泛化能力的关键。Mixup 是一种简单且广泛使用的数据增强技术，已被证明在缓解过拟合和数据稀缺问题方面非常有效。此外，最近关于图像领域中显著性感知 Mixup 的研究表明，保留判别部分有助于提高泛化性能。然而，基于 Mixup 的数据增强方法在三维视觉中尚未得到充分研究，特别是在点云领域。本文提出了一种针对点云的显著性引导 Mixup 方法——SageMix，旨在保留显著的局部结构。具体而言，我们从两个点云中提取显著区域，并将其平滑地融合为一个连续的形状。通过重新加权显著性分数进行简单的顺序采样，SageMix 能够保留显著区域的局部结构。大量实验表明，所提出的方法在各种基准点云数据集上始终优于现有的 Mixup 方法。结合 PointNet++ 使用时，我们的方法在 3D Warehouse 数据集（MN40）和 ScanObjectNN 上分别比标准训练提高了 2.6% 和 4.0% 的准确率。除了泛化性能外，SageMix 还提高了模型的鲁棒性和不确定性校准能力。此外，当将我们的方法应用于包括部件分割和标准二维图像分类在内的多种任务时，该方法也表现出具有竞争力的性能。