语义场景补全是指在给定空间范围内，联合估计物体与表面的三维几何结构和语义信息的任务。这一任务在真实世界数据上尤为具有挑战性，因为此类数据通常稀疏且存在大量遮挡。本文提出了一种基于局部深度隐式函数（Deep Implicit Functions）的场景分割网络，作为一种新型的基于学习的场景补全方法。与以往的场景补全方法不同，我们的方法生成的是不依赖体素化（voxelization）的连续场景表示。我们首先将原始点云在局部范围内以多尺度空间分辨率编码至隐空间，随后将这些局部函数块组合成一个全局的场景补全函数。实验表明，这种连续表示能够有效编码大规模室外场景的几何与语义特性，而无需进行空间离散化处理，从而避免了场景细节程度与可覆盖场景范围之间的权衡问题。我们在语义标注的LiDAR扫描数据集——Semantic KITTI上训练并评估了所提方法。实验结果验证了该方法能够生成强大的场景表示，可被解码为给定场景的稠密三维描述。在Semantic KITTI场景补全基准测试中，我们的方法在几何补全的交并比（Intersection-over-Union, IoU）指标上超越了现有最先进方法。