1.一种结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：所述结合空间深度卷积和残差结构的大尺度点云语义分割方法包括如下步骤：S1、构建语义分割模型，所述语义分割模型包括多个阶段，每个阶段从输入侧到输出侧依次包括编码器和解码器，第一阶段的编码器前还包括拓展维度的线性层，第一阶段的解码器后还包括SegHead；各阶段所述编码器结合空间深度卷积和残差结构对输入特征进行编码，强化语义信息，获得编码器的输出特征；除最后一阶段的其他阶段编码器的输出特征经过下采样层后传递给下一阶段的编码器；每阶段的编码器的输出特征与下一阶段解码器的输出特征经过上采样层后共同输入到本阶段的解码器中；第一阶段解码器的输出特征经过所述SegHead输出点云中每个点属于每个类的概率；

所述编码器包括至少一个SDR块，所述编码器中可选择性增加DFA模块，所述DFA模块位于所述SDR块的输入侧；

所述DFA模块的输入特征从输入侧到输出侧依次经过下采样层、线性层、激活函数、SDC操作、线性层、激活函数和上采样层获得DFA中间特征，所述DFA模块的输入特征还与所述DFA中间特征合并，并经过线性层和激活函数获得所述DFA模块的输出特征；

所述SDR块的输入特征从输入侧到输出侧依次经过线性层、SDC操作、线性层和线性层获得SDR中间特征，所述SDR块的输入特征还经过shortcut与所述SDR中间特征相加后通过激活函数获得所述SDR块的输出特征；

所述最后一阶段的解码器包括线性层，其他阶段的解码器从输入侧到输出侧依次包括Concat函数和线性层，所述Concat函数将同一阶段编码器的输出特征与下一阶段解码器的输出特征结合，所述线性层后可选择性增加激活函数；

S2、采集预设场景的点云数据，得到点集P＝{p1，p2，…，pi，…，pN}和所述点集对应的特征集F＝{f1，f2，…，fi，…，fN}，其中pi和fi分别为点云中第i个点的三维坐标和特征，N为点云中点的数量；

S3、输入所述点集和特征集至所述语义分割模型中；

S4、获得所述语义分割模型输出点云中每个点的概率；

S5、选择每个点概率最大的分类作为预测标签，根据所述预测标签获得所述预设场景的点云数据分割结果。

2.如权利要求1所述的结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：所述上采样层的采样方式为最近邻插值。

3.如权利要求1所述的结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：当所述SDR块的输入特征和输出特征的维度相等时，所述SDR块的输入特征为所述shortcut；当所述SDR块的输入特征和输出特征的维度不相等时，所述SDR块的输入特征通过线性层拓展维度后得到所述shortcut。

4.如权利要求1或3所述的结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：所述线性层或SDC操作后可选择性增加归一化处理或激活函数。

5.如权利要求4所述的结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：所述SDC操作为空间深度卷积，卷积后第i个点的特征f′i公式如下：

其中，pi和pj分别为第i个点和第j个点的三维坐标，Δpi,j＝pi-pj，σ为数据Δpi,j的方差，fj为点云中第j个点的特征，Ωi是第i个点在点云中的邻居索引集，j为Ωi中的元素，连续函数g(·):R3→RI，即用于将三维向量R3转换为I维向量RI，I为所述SDC操作的输入特征的维度。

6.如权利要求1所述的结合空间深度卷积和残差结构的大尺度点云语义分割方法，其特征在于：所述SegHead从输入侧到输出侧依次包括三个线性层和一个softmax层。