Las nubes de puntos interiores a menudo presentan desafíos significativos debido a la complejidad y variedad de estructuras y a la alta similitud de objetos. La estructura geométrica local ayuda al modelo a aprender las características de forma de los objetos a nivel de detalle, mientras que el contexto global proporciona la semántica general de la escena e información de relación espacial entre objetos. Para abordar estos desafíos, proponemos una nueva arquitectura de red, PointMSGT, que incluye un módulo de extracción de características geométricas a múltiples escalas (MSGFE) y un módulo Transformador global (GT). El módulo MSGFE consta de un módulo de extracción de características geométricas (GFE) y un módulo de atención a múltiples escalas (MSA). El módulo GFE reconstruye triángulos a través de los dos vecinos de cada punto y extrae relaciones geométricas locales detalladas mediante el centroide del triángulo, el vector normal y la constante del plano. El módulo MSA extrae características a través de convoluciones a múltiples escalas y agrega características de forma adaptativa, centrándose tanto en detalles geométricos locales como en información semántica global en diferentes niveles de escala, mejorando la comprensión de escenas complejas. El Transformador global emplea un mecanismo de autoatención para capturar dependencias a larga distancia en toda la nube de puntos. El método propuesto demuestra un rendimiento competitivo en escenarios interiores del mundo real, con un mIoU del 68.6% en segmentación semántica en S3DIS y un OA del 86.4% en clasificación en ScanObjectNN.