随着激光雷达技术日益成熟,三维点云数据采集变得更加容易,三维点云数据越来越多地被当作环境感知数据应用于科研和工程领域。同时,深度学习技术的飞速发展使得基于深度学习方法的三维点云目标分割技术也广泛被应用于自动驾驶、辅助驾驶等领域。虽然,三维点云数据采集技术和处理技术已经很成熟,但目前国内外在公路三维点云公开数据集领域一直面临数据集匮乏的问题,这严重制约了在公路环境下实现三维点云目标分割算法的发展。同时,在公路环境等大点云场景下完成点云目标分割任务还面临着数据量庞大、环境复杂等问题,导致目标分割算法的效率低和准确率低。因此,本文从多等级公路环境下三维点云处理的实际应用和难点问题出发,做出了如下工作:1.设计了一套完整的多等级公路三维点云数据集采集与制作方案,并在中国四川省成都市周边的多等级公路环境下进行了实施。通过该方案,本研究采集了约500km的多等级公路环境三维点云数据,并制作了有效长度约180km的多等级公路三维点云公开数据集。该数据集的完成与公开为公路环境下三维点云目标分割算法奠定了基础。2.提出了类体素化的三维点云预处理方法,并改进了Rand LA-Net网络模型来解决多等级公路三维点云目标分割算法低效率和低准确率的问题。针对高等级公路,本文使用Map和K-D树实现类体素化的三维点云预处理方法来降低点云数据的数据量,提高算法效率。针对低等级公路,本文使用多级堆叠的残差块改进了Rand LA-Net网络模型,提高模型准确率。经实验验证,相对于基线模型Rand LANet,使用数据预处理方法和改进模型后,在自制的多等级公路三维点云数据集上,目标分割算法的效率和准确率有明显的提升。3.基于多等级公路三维点云目标分割算法设计并实现了多等级公路三维点云处理系统。该系统实现了基础的三维点云预处理功能,以及多等级公路三维点云识别功能。该系统可迭代开发并广泛应用于三维点云处理领域,解决人工处理三维点云费时费力的问题。