Цель. Большинство исследователей преобразуют данные облаков точек в обычные трехмерные воксельные сетки или коллекции изображений, что делает данные излишне объемными и вызывает проблемы при их обработке. Целью исследования является проведение анализа архитектуры нейронной сети PointNet. Метод. Применен единый подход к решению различных задач трехмерного распознавания, начиная от классификации объектов, сегментации деталей и заканчивая семантическим анализом сцены. Результат. Проведен сравнительный анализ классификации 2d и 3d объектов, подробно изучены слои и функции, благодаря которым происходит классификация. Рассмотрен тип нейронной сети, которая непосредственно использует облака точек, что хорошо учитывает инвариантность перестановок точек во входных данных. Определено, что сеть обеспечивает унифицированную архитектуру для приложений, начиная от классификации объектов, сегментации деталей и заканчивая семантикой сцены. Для семантической сегментации входными данными может быть, как отдельный объект из сегментации области детали, так и небольшая часть 3D-сцены. Нейронная сеть, которая широко используется для редактирования растровых изображений, графического дизайна и цифрового искусства представляет собой глубокую архитектуру облака точек под названием PointNet. Вывод. Представлена новая глубокая архитектура облака точек PointNet. Для задачи классификации объектов облако входных точек непосредственно выбирается из формы или предварительно сегментируется из облака точек сцены. Для получения виртуальной модели реального мира используются нейросетевые решения, основанные на предположении, что имеется RGB облако точек, полученное RGB-D камерой с одного или нескольких ракурсов.