Dieses Papier präsentiert eine neue Definition von mehrskaligen Nachbarschaften in 3D-Punktwolken. Diese Definition, die auf sphärischen Nachbarschaften und prozentualer Unterabtastung basiert, ermöglicht die Berechnung von Merkmalen mit konsistentem geometrischem Sinn, was bei der Verwendung von k-nächsten Nachbarn nicht der Fall ist. Mit einer geeigneten Lernstrategie können die vorgeschlagenen Merkmale in einem Random Forest verwendet werden, um 3D-Punkte zu klassifizieren. Bei dieser semantischen Klassifizierungsaufgabe zeigen wir, dass unsere mehrskaligen Merkmale unter den gleichen experimentellen Bedingungen die state-of-the-art-Merkmale übertrumpfen. Darüber hinaus steht ihre Klassifikationsleistung in Konkurrenz zu komplexeren Klassifikationsansätzen, einschließlich Methoden des Deep Learnings.