Die Analyse der geometrischen und semantischen Eigenschaften von 3D-Punktwolken durch tiefere Netzwerke ist aufgrund der Irregularität und Sparsität ihrer geometrischen Strukturen nach wie vor eine Herausforderung. In dieser Arbeit wird eine neue Methode vorgestellt, um die Faltung direkt auf 3D-Punktwolken mittels des vorgeschlagenen Ringfaltungsverfahrens (annular convolution) zu definieren und zu berechnen. Dieser neue Faltungsoperator kann die lokale Nachbarschaftsgeometrie jedes Punktes besser erfassen, indem er im Berechnungsprozess ringförmige Strukturen und Richtungen (reguläre und verdünnte) spezifiziert. Er kann sich auf Signalverarbeitungsebene an die geometrische Variabilität und Skalierbarkeit anpassen. Wir wenden ihn auf hierarchische Neuronale Netze an, die für Objektklassifikation, Teilsegmentierung und semantische Segmentierung in groß angelegten Szenen entwickelt wurden. Umfangreiche Experimente und Vergleiche zeigen, dass unser Ansatz den aktuellen Stand der Technik auf einer Vielzahl von Standard-Benchmark-Datensätzen (wie z.B. ModelNet10, ModelNet40, ShapeNet-Teil, S3DIS und ScanNet) übertrifft.