Punktwolke ist eine wichtige Art von geometrischer Datenstruktur. Aufgrund ihres irregulären Formats wandeln die meisten Forscher solche Daten in regelmäßige 3D-Voxel-Gitter oder Bildkollektionen um. Dies führt jedoch zu unnötig großem Datenvolumen und verursacht weitere Probleme. In diesem Artikel entwickeln wir ein neuartiges neuronales Netzwerk, das Punktwolken direkt verarbeitet und dabei die Permutationsinvarianz der Punkte im Eingabedatensatz sorgfältig berücksichtigt. Unser Netzwerk, PointNet genannt, bietet eine einheitliche Architektur für Anwendungen, die von der Objektklassifikation, der Teilsegmentierung bis hin zur semantischen Analyse von Szenen reichen. Obwohl es einfach aufgebaut ist, zeichnet sich PointNet durch hohe Effizienz und Wirksamkeit aus. Empirisch zeigt es Leistungen, die mit oder sogar besser als die aktuell besten Ansätze sind. Theoretisch analysieren wir, was das Netzwerk gelernt hat, und erklären, warum es gegenüber Eingabestörungen und Datenkorruption robust ist.