Nell’ambito del patrimonio culturale digitale (Digital Cultural Heritage), la segmentazione semantica delle nuvole di punti 3D con tecniche di apprendimento profondo (Deep Learning) può aiutare a riconoscere automaticamente elementi architettonici storici a un adeguato livello di dettaglio. Questo permetterebbe di accelerare il processo di modellazione dei modelli HBIM (Historical Building Information Modeling), a partire dai dati di rilievo. In questo lavoro viene proposto un framework innovativo di DL per la segmentazione delle nuvole di punti che, a partire da una rete convoluzionale dello stato dell’arte (Dynamic Graph Convolutional Neural Network) ottimizza il processo di segmentazione semantica grazie all’introduzione di features significative come normali e componente radiometrica. Per testare tale approccio, sono state utilizzate alcune nuvole di punti facenti parte di un nuovo dataset pubblicamente disponibile: l’ArCH (Architectural Cultural Heritage) dataset. Questo dataset comprende 17 nuvole di punti annotate, derivanti dall'unione di più scansioni singole o dall'integrazione di queste ultime con rilievi fotogrammetrici. Le scene coinvolte sono sia interne che esterne, con chiese, cappelle, chiostri, portici e logge costituiti da elementi architettonici molto differenti tra loro. Queste nuvole di punti appartengono a differenti periodi storici con diversi lessici, in modo da rendere il dataset il meno possibile uniforme e omogeneo (nella ripetizione degli elementi architettonici) e i risultati il più generalizzabile possibile. Dagli esperimenti effettuati, la nuova rete (DGCNN-Mod) fornisce elevati livelli di accuratezza, dimostrando l'efficacia dell'approccio proposto.