با گسترش روزافزون حوزه یادگیری عمیق ، امکان حل مسائل بسیاری که پیش از این دشوار به نظر می رسید، فراهم آمده است. از طرفی با تقویت ابزارها و نیز گسترش حسگرهی سه بعدی ، پردازش تصاویر سه بعدی و نیز داده هایی که فضای سه بعدی را نیز ترسیم میک نند، مورد توجه بیشتری قرار گرفت است ابرنقاط سه بعدی از جمله داده های است که اجسام و پدیده ها را در فضای سه بعدی ترسیم میکند. در این مقاله به منظور بهبود دقت دسته بندی روشی ارائه شده است که بااستفاده از ویژگیهای نسبی هر شی را استخراج کرده KNN با استفاده از تابع تغییر یافت میکند و پس از نرمالسازی، با ویژگیهای سراسری ادغام میکند با ایان ترتیب ویژگیهای سراسری حاصل از شبک های عصبی چندلای ، بعد از اعمال هر لای ی همسایگی ب مجموع ویژگیهای جامعتری دسترسی پیدا میکنند و این ویژگیها مدل را ب فهم بهتری نسبز ب اشیاخ مورد پردازش میرساند نتایج حاصل از آزمایشهای گوناگون نشان میدهد ایان روش در م ایسا باا روشهای پیشتاز دست بندی ابرنقاط از توان بسیارو کارا ئی بهتری برخوردار است
