点云为计算机图形学中的诸多应用提供了灵活的几何表示方式，同时也是大多数三维数据采集设备的原始输出形式。尽管在图形学与视觉领域中，针对点云的手工设计特征早已被提出，但近年来卷积神经网络（CNN）在图像分析中取得的巨大成功，提示我们有必要将CNN的洞察迁移至点云领域。由于点云本身缺乏拓扑信息，因此设计一种能够恢复拓扑结构的模型，将显著增强点云的表示能力。为此，我们提出了一种新型神经网络模块——EdgeConv，该模块适用于基于CNN的点云高层任务，如分类与分割。EdgeConv在每一层网络中动态计算的图结构上进行操作，具有可微性，可无缝集成到现有网络架构中。与现有在外部空间中操作或独立处理每个点的模块相比，EdgeConv具备若干优越特性：它能够融合局部邻域信息；可通过堆叠多层以学习全局形状特征；在多层系统中，特征空间中的相似性可捕捉原始嵌入空间中潜在长距离的语义特性。我们在标准基准数据集（包括ModelNet40、ShapeNetPart和S3DIS）上验证了所提模型的性能。