我们提出了一种名为相似性分组提议网络（Similarity Group Proposal Network, SGPN）的简单且直观的深度学习框架，用于点云上的三维物体实例分割。SGPN 仅通过一个网络即可预测每个点的分组提议及其对应的语义类别，从而可直接从中提取出实例分割结果。SGPN 有效性的关键在于其创新性的三维实例分割结果表示方式——以相似性矩阵的形式，表征嵌入特征空间中每对点之间的相似性，从而为每个点生成精确的分组提议。据我们所知，SGPN 是首个在点云上实现三维实例感知语义分割的端到端学习框架。在多种三维场景上的实验结果表明，该方法在三维实例分割任务中具有显著有效性；此外，我们还评估了 SGPN 在提升三维物体检测与语义分割性能方面的潜力。同时，我们通过无缝融合二维卷积神经网络（2D CNN）特征到该框架中，进一步验证了其良好的灵活性与可扩展性。