提取鲁棒且具有通用性的三维局部特征，是点云配准与重建等下游任务的关键。现有的基于学习的局部描述子要么对旋转变换敏感，要么依赖于传统手工设计的特征，这些特征既缺乏通用性，也难以充分代表局部几何结构。本文提出一种新颖但概念简洁的神经网络架构——SpinNet，用于提取具有旋转不变性且信息丰富、足以支持高精度配准的局部特征。首先，引入空间点变换器（Spatial Point Transformer），将输入的局部表面映射至一个精心设计的柱状空间，从而实现基于SO(2)等变表示的端到端优化。随后，采用融合强大点云基础与三维柱面卷积神经网络层的神经特征提取器，生成紧凑且具有代表性的描述子，用于匹配任务。在室内与室外多个数据集上的大量实验表明，SpinNet在性能上显著超越现有最先进方法。更为关键的是，该方法在未见过的场景以及不同传感器模态下展现出最优的泛化能力。代码已开源，地址为：https://github.com/QingyongHu/SpinNet。