三维点云数据在自动驾驶、机器人和高精地图等领域得到了广泛应用。目前，基于深度学习的三维点云数据处理主要基于有监督学习，其算法性能依赖于大规模高质量的标注数据集。此外，仅在单一设备与场景中训练的三维点云数据处理模型难以应用于不同设备与环境，泛化性能有限。因此，如何减少三维点云标注数据集的需求以及提高三维点云处理模型的适应性是当前三维点云数据处理面临的重要难题。作为迁移学习的一个重要分支，域自适应学习旨在不同域间特征分布存在差异的情况下提高模型的适应性，可为解决上述难题提供重要思路。为便于对点云域自适应学习领域进行更深入有效的探索，本文主要从对抗学习、跨模态学习、伪标签学习、数据对齐及其他方法　5个方面对近年来的三维点云域自适应学习方法进行了系统梳理与分类归纳，并分析总结每类点云域自适应学习方法所具备的优势及面临的问题。最后，对三维点云域自适应学习研究领域的未来发展进行了展望。