机载LiDAR点云地物丰富且密度不均匀，对其进行精准高效的分类是遥感和摄影测量领域的一项关键任务。针对其密度不均匀的特点，引入一种密度相关的点云卷积算子——PointConv；提出注意力机制模块，修正提取局部信息的重要程度，增强网络对不同点云实例的识别能力。在城市室外场景机载点云数据集GML_DataSetA和三维语义标记基准数据集ISPRS Vaihingen上的分类结果验证了所提方法的有效性。

针对现有的深度学习机载激光雷达(LiDAR)点云分割方法忽略高级全局单点和低级局部几何特征之间的关系导致点云分割精度不高的问题,提出了一种增强语义信息与多通道特征融合的点云场景分割算法。首先对点云信息进行补充,提取点云的归一化高程、强度值、光谱信息构造多通道点云特征,并利用网格化重采样方法建立多尺度邻域点云增强数据集,通过构建双注意力融合层实现通道维度上的特征加权标定和空间维度上的特征聚焦,加深卷积网络结构深层信息传递,挖掘点云的局部区域细粒度特征。采用国际摄影测量与遥感协会提供的数据集对所提算法进行验证,对比分析了所提算法、协会网站已公布的分类结果、主流的深度学习方法的精度值分类总体精度(OA)、综合评价指标(F1)、交并比。实验结果表明,所提算法能够达到更高的分割精度,在Vaihingen数据集上的平均交并比达到52.5%。

针对LiDAR点云数据目标投影几何的非规则性, 提出非规则标识点过程的LiDAR点云数据目标提取方法。首先, 在投影平面上定义随机点过程, 利用其随机点定位该平面上的目标投影, 对每一随机点生成一组节点集以建模该目标投影几何, 作为目标标识; 假设地物目标高程值服从独立同一高斯分布, 从而得到LiDAR点云数据高程测度模型; 在贝叶斯理论架构下建立目标几何提取模型, 并结合可逆跳变马尔可夫链蒙特卡罗(Reversible Jump Markov Chain Monte Carlo, RJMCMC)算法模拟后验分布以及估计各参数; 最后根据最大后验概率准则, 求解最优目标提取模型。采用提出方法对LiDAR点云数据进行目标提取, 根据实验结果可以看出, 算法得到的检测精度均达到80%以上, 最高精度为9943%, 得到了较好的检测结果。本文将传统的规则标识点过程拓展到非规则标识点过程, 可以有效拟合任意形状目标几何。定性和定量的实验结果表明了该方法的可行性、有效性和准确性。