针对在多对象且空间拓扑关系复杂的室外场景环境中相似地类区分难的问题，提出一种结合图模型与注意力机制模块的A-Edge-SPG（Attention-EdgeConv SuperPoint Graph）图神经网络。首先，利用图割和几何特征结合的方法对超点进行分割；其次，在超点内部构造局部邻接图，从而在捕获场景中点云的上下文信息的同时利用注意力机制模块凸显关键信息；最后，构建超点图（SPG）模型，并采用门控循环单元（GRU）聚合超点和超边特征，实现对不同地类点云间的精确分割。在Semantic3D数据集上对A-Edge-SPG模型和SPG-Net（SPG neural Network）模型的语义分割效果进行比较分析。实验结果表明，相较于SPG模型，A-Edge-SPG模型在总体分割精度（OA）、平均交并比（mIoU）和平均精度均值（mAA）上分别提升了1.8、5.1和2.8个百分点，并且在高植被、矮植被等相似地类的分割精度上取得了明显的提升，改善了相似地类间语义分割的效果。

传统的波达方向(DOA)估计算法角度分辨率低或者依赖于大量的快拍,基于稀疏参数估计的SPICE谱估计算法虽然在很少的快拍数即短快拍条件下就能达到较高的分辨率以及低的旁瓣水平,但是只适用于窄带信号。为了解决上述问题,即仅依靠少量快拍实现对宽带线性调频(chirp)信号的高分辨率DOA估计,提出了一种FrFT-SPICE算法。首先,将宽带chirp信号进行特定阶次的分数阶傅里叶变换(FrFT),将时域的chirp波形变为FrFT域的单频正弦波形;其次,推导出FrFT之后接收信号的方向向量;最后,将方向向量代入到窄带的SPICE算法中,实现对宽带chirp信号的DOA估计。仿真实验中,在少量快拍以及扫描间隔相同的前提下,同多重信号分类(MUSIC)与FrFT相结合的FrFT-MUSIC算法相比, FrFT-SPICE在DOA估计的分辨率方面有所提高;而同将空间重采样(SR)与迭代自适应算法(IAA)相结合的SR-IAA相比, FrFT-SPICE在估计精度上有所提高。实验结果表明,所提算法能够在短快拍条件下实现对宽带chirp信号的高分辨率、高精度的DOA估计。