Con la aplicación del método de muestreo aleatorio en el muestreo descendente de datos de nubes de puntos, la velocidad de procesamiento de las nubes de puntos ha mejorado considerablemente. Sin embargo, la utilización de la información semántica sigue siendo insuficiente. Para abordar este problema, proponemos una red de segmentación semántica de nubes de puntos llamada MFFRand (Fusión de Características Multiescala Basada en RandLA-Net). Basado en RandLA-Net, se desarrolla un módulo de fusión de características multiescala, que está apilado por codificadores-decodificadores con diferentes profundidades. Los mapas de características extraídos por el módulo de fusión de características multiescala se concatenan y fusionan continuamente. Además, para que la red se entrene mejor, se propone un módulo de supervisión de múltiples pérdidas, que podría fortalecer el control del proceso de entrenamiento de la estructura local mediante la adición de subpérdidas al final de diferentes estructuras de decodificador. Además, la red MFFRand entrenada podría conectarse a la red de inferencia mediante terminales de decodificador diferentes, lo que podría lograr la inferencia de diferentes profundidades de la red. En comparación con RandLA-Net, MFFRand ha mejorado el mIoU en los conjuntos de datos S3DIS y Semantic3D, alcanzando el 71.1% y el 74.8%, respectivamente. Los extensos resultados experimentales en el conjunto de datos de nube de puntos demuestran la efectividad de nuestro método.