针对基于深度学习的三维点云处理方法在语义分割任务中缺失局部特征的问题，本文提出了融合通道门控与特征交互的点云语义分割网络(Point Cloud Semantic Segmentation Network Based on Channel Gating and Feature Interaction，CGINet)。该网络引入特征交互模块(Feature Interaction Module，FIM)，设计轻量通道门控模块(Light Channel Gate，LCG)，用于对特征通道进行自适应调节，以增强局部响应能力，建模点之间的上下文关系，从而提升点云语义表示能力。同时构建全局通道加权模块(Global Channel Weighting，GCW)，对通道级语义信息进行压缩建模与加权融合，进一步强化全局特征感知能力。此外，网络中引入残差结构，有效提升了特征传递的稳定性与表达能力。在S3DIS(Stanford Large-Scale 3D Indoor Spaces)和ShapeNetPart数据集上分别对所提模型进行了实验，在S3DIS数据集的语义分割实验中平均交并比(mIoU)相较于PointNet++提高了9.7%，在ShapeNetPart数据集的语义分割实验中相较于PointNet++类别平均交并比(Class avg mIoU)和实例平均交并比(Instance avg mIoU)分别提升了2.3%和2.2%，实验结果表明，本文方法在两组实验中均实现了更优的分割效果，验证了所提网络结构的有效性。