为了更好地分析植被的变化，观察林业作物的生长状况，采用地基式激光雷达和手持式激光雷达采集的点云数据，运用机器学习对植被进行分类研究。目前，通过点云协方差矩阵的特征组合进行植被分类存在特征冗余，部分特征的分类效果较差的问题，主要体现在对于植被部位交界处的划分上。为了更加准确地对植被进行分类，研究了基于协方差矩阵的特征提取及Fisher算法的特征选择的点云分类，并提出了积面特征和指向特征，新的特征可以作为支持向量机分类器的输入参数。在地基式激光雷达采集的数据中，两种特征通过Fisher算法计算出的权重分别为7.25和5.78，且积面特征的权重仅次于权重最大的特征λ₂（λ₂为点云协方差矩阵的特征值），其权重为8.45。使用原特征进行分类的总体精度为99.15%，加入新特征后总体分类精度提高了0.75个百分点，并且对于树干、地面和灌木的交界处的分类效果显著。实验结果表明，所提新特征组合具有较高的权重系数，能够有效提高植被分类精度。对手持式激光雷达采集的数据进行分类的效果也同样较好，使用新特征后总体分类精度达到99.74%，验证了该分类算法具有较强的鲁棒性。

以杭州钱江新城森林公园和新疆维吾尔自治区阿克苏市红旗坡农场的水杉、柳树、女贞、竹子和苹果树为研究对象,基于机载LiDAR获取高分辨率点云数据,结合支持向量机分类器,提出了多种树木特征,如结构特征参数、纹理特征参数和冠形特征参数等,以实现树种分类。实验结果表明,5种树木分类的整体准确率达85%,Kappa系数为0.81。所提分类方法不仅从LiDAR数据中获得了更有前景的单株树特征,还展示了一个可用于提高树种分类性能的有效框架。