1.一种基于多特征信息增强编码的三维点云语义分割方法，其特征在于，包括以下步骤：

步骤1：对输入的点云数据进行编码得到点云的局部空间特征，编码层由2个SG‑抽象层SG‑SA(Separate and Geometric information enhancement‑Set Abstraction Layer)结构组成，通过SG‑SA1和SG‑SA2进行抽取并保留各层的特征，每个SG‑SA层结构均由三个相关联的网络结构构成，分别是用于点云采样点选取的采样层(Sampling Layer)、用于构建局部空间的分组层(Grouping Layer)和用于特征聚合的SG‑PointNet层；

步骤1.1：输入的点云数据首先通过用于点云采样点选取的采样层，用最远点采样方法(Farthest Point Sampling，FPS)获取固定数量的点作为采样点；

步骤1.2：对每个采样点利用分组层(Grouping Layer)进行球体查询(Ball Query)，寻找邻域点并局部空间构建；

步骤1.3：在每个局部空间内的几何信息和附加信息利用PointNet基础结构进行分开编码，在构建几何特征时加入局部空间的中心点坐标、相对坐标和欧氏距离信息，得到了降采样后的点云和每个点的局部空间特征，即完成了SG‑SA1层的降采样和特征提取；

步骤1.4：将步骤1.3得到的点云和特征重复步骤1.1‑1.3，完成SG‑SA2层的降采样和特征提取,得到2组经过降采样后的点云和特征；

步骤2：将采样并编码后的特征点云按照2次编码的反过程进行2次解码，解码层由2个特征聚合FP(Feature Propagation)层构成，通过FP1和FP2逐步进行上采样恢复原始点云结构，并进行特征聚合和跨层跳跃链接，得到点云中每个点的特征；

步骤2.1：将SG‑SA2层得到的点云和对应特征通过FP1层上采样恢复到SG‑SA1层处理后的点云大小；

步骤2.2：对SG‑SA1层中的每个点找到其对应SG‑SA2层中最近的3个点，将这三个点的特征进行三线性权重插值，作为点的插值特征；

步骤2.3：将插值特征与SG‑SA1层中得到的点的特征进行几何特征和附加特征的跨层跳跃链接，并通过MLP(Pointwise Multi‑Layer Percentron)得到了FP1层的最终点特征；

步骤2.4：将FP1层获取的点特征作为下一层FP2中的插值部分，用三线性插值获取插值特征，之后和原始的点的特征链接，再通过MLP获取最终的每个点的特征；

步骤3：将点云和其对应的特征放入全连接层，并进行点的语义信息的判别。

2.如权利要求1所述方法，其特征在于，步骤1中的SG‑SA1层和SG‑SA2层在进行局部空间特征提取时将每个局部空间内的几何信息和附加信息利用PointNet基础结构进行分开编码。

3.如权利要求1所述方法，其特征在于，步骤1中的SG‑SA1层和SG‑SA2层在构建几何特征时加入局部空间的中心点坐标、相对坐标和欧氏距离信息。

4.如权利要求1所述方法，其特征在于，步骤2中将几何特征和附加特征进行分开聚合。