基于三维激光扫描技术的SLAM(Simultaneous Localization and Mapping)系统是快速获取室内空间三维信息的关键技术,基于室内点云数据的分类、建筑物部件提取及建模对室内空间分析等应用具有重要的意义。然而,直接获取到的点云数据具有海量性、密度不均匀、遮挡严重、存在噪声污染等特性,导致现有的室内三维点云数据预处理方法鲁棒性不强;同时,室内部件的点云特征提取对大范围的空间邻域信息的利用缺失、点云分割方法存在过分割和欠分割现象以及点云分类网络模型有待进一步探索等问题;此外,现有的点云室内建模方法通常无法生成语义和拓扑完备的精细建筑模型,且精度有待提高。针对上述问题,本文首先对室内点云数据进行滤波处理,以方便点云数据的分类和分割处理。为了考虑更大范围的邻域信息,利用循环神经网络更新空间点的特征以提升点云的分类精度,引入注意力机制联合实现点云数据的语义分割和实例分割,使两者相互促进。最后,基于分类和分割的结果,提取室内建筑物点云数据的点、面特征并生成包含语义、拓扑的建筑物模型。本文的研究内容和工作成果主要包含以下几点:(1)室内房间分割与点云滤波。室内场景的点云数据量较大,首先根据点云数据高程Z方向的分布直方图将其划分为不同的楼层,对每层的点云数据,在其二维投影平面上构建三角网并利用图割法将其划分为不同房间的数据;针对每个房间,利用改进的噪声修正网络对原始的扫描数据进行滤波。(2)基于特征增强型神经网络的建筑物点云分类。以经过分割和去噪的点云数据作为输入数据,构建点云分类的神经网络,利用双向循环神经网络更新点的特征以充分考虑空间邻域信息;设计神经网络的结构避免特征退化和梯度消失,从而实现建筑物点云数据的提取。(3)建筑物点云数据的语义和实例联合分割。以度量学习方法将建筑物点云数据分别嵌入在高维语义空间和实例空间,引入注意力机制联合实现建筑物点云的语义分割和实例分割,使两者相互增强。(4)室内点云数据的三维建模。利用分类及分割后的结果提取出室内点云数据的天花板、地板、墙、门、窗等固定结构的点云数据,然后利用分割和边界优化等算法提取出室内模型的关键点、面信息及其语义信息,并根据几何、语义信息对结果进行验证,最后生成语义、拓扑完备的室内模型。本文利用公开的S3DIS数据集、ScanNet数据集和实测的南京师范大学室内数据集对提出的算法进行了实验验证。实验结果表明:本文提出的基于特征增强型神经网络的建筑物点云分类算法提升了建筑物点云数据的分类精度,语义和实例联合分割算法提高了建筑物点云数据的分类和分割精度;室内点云数据的三维建模方法能够生成几何、语义丰富的室内建筑物模型,提升了室内建模的自动化程度。