Um die Leistungsfähigkeit der semantischen Segmentierung von Punktwolken erheblich zu steigern, präsentiert dieser Artikel eine neuartige Methode zur Konstruktion großskaliger Netzwerke sowie eine effektive Lightweighting-Technik. Zunächst wird ein latent point feature processing (LPFP)-Modul eingesetzt, um Basisnetzwerke wie PointNet++ und Point Transformer zu verbinden. Dieses Zwischenmodul fungiert sowohl als Übertragungseinheit für Merkmalsinformationen als auch als Supervision-Funktion auf Basis der Ground-Truth. Darüber hinaus wird zur Verringerung der durch die Erstellung großskaliger Netzwerke verursachten Zunahme der Rechenkosten und zur besseren Anpassung an die Anforderungen der Endgeräte-Implementierung ein neuartiges Lightweighting-Verfahren für semantische Segmentierungsnetzwerke von Punktwolken (PCLN) vorgestellt, das die Netzwerkkompression durch Übertragung mehrdimensionaler Merkmalsinformationen aus großskaligen Netzwerken ermöglicht. Konkret werden zu verschiedenen Stadien des großskaligen Netzwerks Struktur- und Aufmerksamkeitsinformationen der Punktmuster selektiv übertragen, um das komprimierte Netzwerk in Richtung des großskaligen Netzwerks zu leiten. Zudem löst dieser Artikel das Problem der Darstellung globaler Strukturinformationen großer Punktwolken durch Merkmalsabtastung und Aggregation. Umfangreiche Experimente an öffentlichen Datensätzen und realen Datensätzen belegen, dass die vorgeschlagene Methode die Leistung verschiedener Basisnetzwerke erheblich verbessert und die aktuell besten Ansätze übertrifft.