深蓝学院 三维点云课程（带资料，百度网盘下载）

三维点云这门方向，学的人不少，学明白的不多。很多人是顺着 SLAM、自动驾驶或者三维重建的招聘要求摸过来的，打开资料发现点云配准、滤波、特征描述、分割聚类的名词都认识，但真让自己从一片散乱的 XYZ 点里把平面提出来、把两帧扫歪的数据对齐，就卡住了。这套课适合的，正是这种"名词都听过、代码没写通"的状态。

先确认你是不是它的目标读者

如果你符合下面任意一条，这份资料的利用率会比较高：做过视觉或机器人项目，但点云部分一直调库、没深究过原理；本行是后端或算法，想往自动驾驶感知、三维重建、工业检测方向转；正在准备相关岗位面试，被问到 ICP 的收敛条件、体素滤波为什么能降采样这类问题答不利索。反过来，如果你连 Python 和基本的线性代数都没碰过，直接上这门课会比较吃力，建议先把矩阵变换和 NumPy 补一补再来。

这门课真正要补的能力缺口

点云学习和图像学习最大的区别在于：数据没有规则网格，邻域关系要靠自己建，所以"怎么找邻居"（KD-Tree、Octree）是绕不开的第一道坎。往下才是具体的处理链路——降采样与去噪、法向量估计、特征描述、配准、分割与聚类。这条链路里，配准往往是最难啃的一段：粗配准怎么给初值，精配准怎么迭代，点到点、点到面、点到线的目标函数差在哪，为什么实际工程里经常要上 NDT 或者基于特征的方案。课程是按这条逻辑推进的，你缺哪一环，心里要有数。

配套资料怎么用才不浪费

资料包里有课件、笔记和代码，很多人下载完就躺在网盘里。比较实在的用法是：每看完一个模块，先不看参考代码，自己用一份最小数据把流程跑通——比如只做一次体素降采样加一次法向量估计，确认输出点数和朝向对得上。跑通了再对照笔记复盘参数的含义，比如降采样体素边长设大设小分别会损失什么。笔记的价值在于面试前快速回看，不在于收藏。

看完应当能回答的问题

• 给定两帧有部分重叠的点云，你会怎么设计配准流程？初值从哪来，怎么判断配准收敛了？
• 体素滤波、统计滤波、半径滤波各解决什么问题，用错会出现什么现象？
• 法向量估计里，邻域半径和主成分分析的关系是什么？
• RANSAC 在点云里通常用来做什么，迭代次数受什么影响？
• 面对几十万点的实时场景，哪些步骤是性能瓶颈，怎么优化？

这些问题能答顺，说明你是真理解了流程，而不是只会调包。答不上来的那几条，回对应章节重看，比从头再刷一遍效率高。

学习节奏的一点建议

不建议一口气刷完。每两到三节停下来，把这一段的输入输出、关键参数、常见坑写成半页小结，攒够三四份，你就有了一份自己的点云处理手册。最后找一份公开数据集，独立走一遍"读数据—预处理—配准—分割—可视化"的完整 Demo，写进作品集。对转岗的人来说，完整链路比会调 API 有说服力得多。

深蓝学院 三维点云课程（带资料，百度网盘下载）

课程推荐

《深蓝学院 三维点云课程（带资料，百度网盘下载）》深蓝学院 三维点云课程（带资料，百度网盘下载）【技能收获】学完可掌握：核心实战技能、项目驱动学习。课程以实战为导向，覆盖从基础概念到完整项目落地的关键步骤，配套章节笔记便于课后复盘与面试前快速回顾。【学习建议】建议按目录顺序学习，先打基础再进入综合实战章节；每完成 2～3 节可结合笔记整理一份学习小结，最终尝试独立复现一套完整 Demo 写入个人作品集。【就业发展】可面向岗位：AI 应用工程师、RAG 系统开发、Java 后端 + 大模型落地、企业知识库架构师。大模型应用岗需求持续走高，具备「后端 + RAG 落地」复合能力的人才在招聘市场更稀缺，简历中可突出完整项目链路而非仅会使用 API。 若你已有一定编程或运维基础，本课程可帮助你在现有技能栈上快速叠加热门方向能力，提升求职时的项目说服力与薪资谈判空间。

视频目录（47 节）

*   │  │      Screenrecorder-2020-04-29-20-57-33-661.mp4

*   │  │      20200620_215937.mp4

*   │  │      第三章代码讲解.mp4

*   │  │      第九次课讲解.mp4

*   │  │      Screenrecorder-2020-05-11-20-06-37-164.mp4

*   │  │      simplescreenrecorder-2020-06-06_22.37.46.mp4

*   │  │      第八次课.mp4

*   │  │      simplescreenrecorder-2020-06-06_22.52.41.mp4

*   │          simplescreenrecorder-2020-05-23_23.36.13.mp4

*   │      1-Introduction.mp4

*   │      2-PCA.mp4

*   │      3-kernel PCA.mp4

*   │      4-.mp4

*   │      2.1_binary_search_tree.mp4

*   │      2.2_KD-tree.mp4

*   │      2.3_Octree.mp4

*   │      3.1math prerequisite.mp4

*   │      3.2K-means.mp4

*   │      3.3GMM.mp4

*   │      3.4EM.mp4

*   │      3.5Spectral clustering.mp4

*   │      4.1 spectral clusterig.mp4

*   │      4.2meanshift&dbcan.mp4

*   │      4.3least_square.mp4

*   │      4.4 houg tranform.mp4

*   │      4.5 ransac.mp4

*   │      5.1 deep learning introduction.mp4

*   │      5.2pointnet.mp4

*   │      5.3pointnet++.mp4

*   │      6.1introduction.mp4

*   │      6.2image-based object detection.mp4

*   │      6.3voxelnet&pointillar.mp4

*   │      6.4pointRCNN.mp4

*   │      6.5pointcloud&image fusion.mp4

*   │      7.1 introduction && harris 2d.mp4

*   │      7.2 harris 3d.mp4

*   │      7.3 ISS.mp4

*   │      7.4 USIP.mp4

*   │      7.5 SO-NET.mp4

*   │      8.1 PFH&&FPFH.mp4

*   │      8.2 SHOT.mp4

*   │      8.3 3D_match&&perfect_match .mp4

*   │      8.4 PPFNet &&PPF_folder .mp4

*           9.1 ICP_1.mp4

*           9.2ICP_2.mp4

*           9.3ndt.mp4

*           9.4ransac.mp4

配套笔记（15 份 PDF）

*   │  │      0429三维点云处理第一章作业讲评.pdf

*   │  │      第七章作业讲评.pdf

*   │  │      三维点云处理-第二次作业讲评V2.pdf

*   │  │      第五章作业讲评_v2.pdf

*   │  │      三维点云处理第六章作业讲评20200606.pdf

*   │          0523三维点云处理第四章作业讲评.pdf

*   │      6-（ppt）PointCloudLecture1v4.0.pdf

*   │      PointCloudLecture2v3.0.pdf

*   │      PointCloudLecture3Clustering.pdf

*   │      pointcloudLecture4Clustering&Modelfitting.pdf

*   │      PointCloudLecture5DeepLearningwithPointClouds.pdf

*   │      PointCloudLecture6.pdf

*   │      PointCloudLecture7-ld-2020.5.21.pdf

*   │      PointCloudLecture8-ld-2020.5.23.pdf

*           PointCloudLecture9.pdf