点云有很多不确定性，点云分析有很多难点，很难对其进行特征提取。因此，提出了一种方法，可以通对点云进行小范围内的卷积，学习质心点与其余区域内点的拓扑关系，以自定义的维度特征推理出点云的形状达到分类的目的。首先通过最远点采样法选取质心点，以欧式距离确定卷积范围，将整体点云划分为若干个小区域，使用转换函数将特征提取后聚合。聚合后的特征包括很多形状约束条件，使得点云的鲁棒性大大提高，通过网络层次结构提高分类的准确率。在ModelNet40数据集上进行维度特征实验和鲁棒性验证，实验结果表明采用ModelNet40数据集分类准确率相对于PointNet++提高了2%，鲁棒性较PointNet++得到了提高，验证了本文提出的方法在点云分类中具有较高的精度。