Die Punktwolke gilt als angemessene Darstellung für 3D-Daten, und die meisten 3D-Sensoren sind in der Lage, diese Daten zu generieren. Aufgrund der unregelmäßigen Struktur der Punktwolken ist die Analyse dieser Daten mittels Deep-Learning-Algorithmen jedoch äußerst herausfordernd. In diesem Artikel wird ein neuartiges konvolutionales Neuronales Netzwerk namens Point-PlaneNet vorgestellt, das das Konzept des Abstands zwischen Punkten und Ebenen nutzt, um räumliche lokale Korrelationen auszunutzen. Im vorgeschlagenen Ansatz wird eine alternative, einfache lokale Operation namens PlaneConv eingeführt, die lokale geometrische Merkmale aus Punktwolken extrahieren kann, indem sie eine Menge von Ebenen im Rn-Raum lernt. Unser Netzwerk verarbeitet rohe Punktwolken als Eingabe und verzichtet damit auf die Notwendigkeit, Punktwolken in Bilder oder Volumina umzuwandeln. PlaneConv zeichnet sich durch eine einfache theoretische Analyse aus und lässt sich problemlos in Deep-Learning-Modelle integrieren, um deren Leistung zu verbessern. Zur Evaluierung des vorgeschlagenen Verfahrens im Bereich der Klassifikation, der Teilsegmentierung und der Szenensegmentierung wurde es auf vier Datensätzen angewendet: ModelNet-40, MNIST, ShapeNet-Part und S3DIS. Die experimentellen Ergebnisse zeigen eine akzeptable Leistung des vorgeschlagenen Ansatzes im Vergleich zu früheren Methoden in allen Aufgaben.