Diese Arbeit präsentiert Point Convolutional Neural Networks (PCNN): einen neuartigen Ansatz zur Anwendung von Faltungsneuralen Netzen auf Punktwolken. Das Framework basiert auf zwei Operatoren: Erweiterung (extension) und Einschränkung (restriction), die Funktionen auf Punktwolken in volumetrische Funktionen und umgekehrt abbilden. Eine Punktwolken-Faltung wird durch Rückzug der euklidischen volumetrischen Faltung mittels eines Erweiterungs-Einschränkungs-Mechanismus definiert.Die Punktwolken-Faltung ist recheneffizient, invariant gegenüber der Reihenfolge der Punkte in der Punktwolke, robust gegenüber unterschiedlichen Abtastungen und variierender Dichte sowie translationsinvariant, d. h., dass derselbe Faltungs-Kern an allen Punkten verwendet wird. PCNN verallgemeinert Bild-CNNs und ermöglicht eine nahtlose Anpassung ihrer Architekturen an die Punktwolken-Struktur.Die Evaluation von PCNN auf drei zentralen Benchmarks für Punktwolken-Lernverfahren zeigt eine überzeugende Überlegenheit gegenüber konkurrierenden Methoden im Bereich der Punktwolken-Integration sowie gegenüber der überwiegenden Mehrheit der Verfahren, die informativere Formdarstellungen wie Oberflächen und/oder Normalen verwenden.