Diese Arbeit präsentiert SO-Net, eine permutationsinvariante Architektur für das tiefe Lernen mit ungeordneten Punktwolken. SO-Net modelliert die räumliche Verteilung einer Punktwolke durch den Aufbau einer selbstorganisierenden Karte (Self-Organizing Map, SOM). Auf Basis dieser SOM führt SO-Net eine hierarchische Merkmalsextraktion sowohl für einzelne Punkte als auch für SOM-Knoten durch und stellt schließlich die Eingabepunktwolke durch einen einzigen Merkmalsvektor dar. Der Rezeptionsfeldbereich des Netzwerks kann systematisch durch eine k-nächste-Nachbarn-Suche zwischen Punkten und Knoten angepasst werden. Bei Erkennungsaufgaben wie der Punktwolkenrekonstruktion, Klassifikation, Objektteilsegmentierung und Formretrieval zeigt das vorgeschlagene Netzwerk eine Leistung, die mit oder sogar besser ist als die bestehender State-of-the-Art-Methoden. Zudem ist die Trainingsgeschwindigkeit erheblich schneller als bei bisherigen Punktwolken-Erkennungsnetzwerken, was auf die Parallelisierbarkeit und Einfachheit der vorgeschlagenen Architektur zurückzuführen ist. Der Quellcode ist über die Projekt-Website verfügbar: https://github.com/lijx10/SO-Net