为了有效剔除地面激光扫描数据中的大范围密集噪声,同时保留建筑物边缘特征,提出了一种基于距离变化并融合点云强度与密度信息的去噪方法。分析了噪声空间分布特征和点云强度分布,基于水平角和竖直角建立空间四叉树索引,在叶子节点内基于点前后间距特征实现局部点的快速聚类和孤立噪声剔除,在同类点集中基于不同类别强度点数的比值剔除大范围密集噪声。研究结果表明,所提算法能够有效剔除地面激光扫描数据中存在的大范围密集噪声,精度达90%以上。

针对林业、建筑、近海、岛礁和滩涂的测绘要求, 中国科学院上海光学精密机械研究所开发了具有自主知识产权的机载双频激光雷达产品样机, 可以同时完成对陆地地形和海底地形进行测绘。该样机在三亚蜈支洲岛进行了飞行试验, 最大探测深度达到30 m, 等效一类水质条件下可达50 m, 最小探测深度达到0.22 m, 测深数据和单波束声呐数据对比中误差为0.108 m, 实地测量数据和陆地点云量测数据比对中误差为0.18 m, 试验结果基本符合设计预期, 为进一步产品定型打下了良好的基础。

作为城市主体，建筑物信息的提取一直是国内外学者研究的热点。针对目前机载激光点云数据量大、建筑点云提取不完整等难题，提出一种面向对象构建决策树的建筑点云高精度提取方法。决策树可以同时处理多种数据属性，并且对缺失值不敏感，利用点云中每个对象属性与对应各个特征值之间的映射关系，结合每个激光脚点与其邻域关系、高程均值等特征，为决策树每个内部节点生成建筑物点的判定条件，然后比较所有分类特征对应的点集不确定性（熵），确定最优特征及最优候选值，有监督地从样本数据中学习得到正确的分类器，进而完成待处理点云中建筑物点的高精度提取。实验结果表明，本文方法能够从机载激光点云数据中有效提取建筑物点，准确率可达96%。

高斯分解是波形激光雷达数据预处理的常用方法, 但在应用于大光斑全波形激光雷达数据中的叠加波时却难以发挥作用, 为此提出一种基于小波变换的高斯递进波形分解方法.首先, 利用小波变换多尺度分析特性检测出目标地物并准确估算组分特征参数, 进而建立高斯模型优化特征参数；然后通过拟合精度指标, 判断是否需要添加新组分进行逐级递进分解, 确定最终模型及其组分构成, 最终实现全波形激光雷达数据的波形分解.为了验证算法的有效性, 分别对实验数据使用本文算法和常用的基于拐点匹配的高斯分解法进行分析, 结果表明, 本文算法提取的目标数几乎是拐点匹配算法的2倍, 可以有效地从叠加波中检测出目标组分, 且拟合精度高于98%.

通过对地球科学激光测高系统(Geoscience Laser Altimeter System, GLAS)波形数据进行高斯分解, 提取精确的波形特征信息, 计算出GLAS波形数据激光穿透指数(LPI), 基于LPI提出GLAS数据反演叶面积指数(LAI)的新方法, 建立了GLAS数据反演森林LAI的模型(R2=0.84, RMSE=0.64), 并用留一交叉验证法(LOOCV)对反演模型的可靠性进行了验证, 结果表明, 该模型没有过度拟合, 具有很好的泛化能力, 最后通过人工神经网络融合GLAS与TM(Thematic Mapper,专题制图仪)遥感数据实现区域尺度森林LAI反演, 用25个实测LAI对反演精度进行了验证, 研究表明反演LAI与实测值较为接近, 精度较高(R2=0.76, RMSE=0.69), 为生态环境研究提供精确的输入参数, 为GLAS数据大区域高精度LAI反演提供新的方法和思路.

基于地面激光扫描数据, 提出了一种新的建筑物边界规则化方法, 不仅可以对建筑物整体而且可以对不同侧面进行规则化, 包括立面墙面、门和窗户等.首先对海量原始激光点云利用高效的随机采样一致性算法分割为不同的平面面片, 然后利用2D α-shapes算法提取建筑物点云数据.在此基础上, 利用本文提出的边界规则化算法产生一个规则多边形进而实现建筑物边界规则化.利用实际地面扫描数据对该算法进行验证, 表明本文方法可以针对不同密度的点云进行自适应调整, 不仅效率高, 而且可以达到非常满意的建筑边界规则化效果.该研究成果对于利用地面激光扫描数据进行建筑物三维建模具有一定的参考意义.