地面激光雷达(Terrestrial Laser Scanning，TLS)作为一种可以获取高精度、高密度地物三维点云的激光扫描仪，近年来已成为小区域空间数据精细采集的重要设备。点云分类是激光雷达数据自动化处理的核心内容，也是环境感知、三维重建等诸多应用的基础。　　论文以园区场景中单站地基激光点云的高精度分类为研究目标，充分考虑单站数据中点云密度变化大、地物缺失严重等因素，设计了完整的分类算法和流程，并实际扫描数据实现了研究区六种地物的高精度分类，即地面、建筑、车辆、树木、围墙和其它类。本文主要研究内容和结论如下:　　(1)地面点滤波。在归纳和分析了三类现有的地基/车载点云滤波算法基础上，提出一种改进的基于距离图像的地面激光点提取算法。该算法引入最小高程图像初选地面点，消除了地物重叠对原有算法的影响;并通过在区域生长前后对空栅格进行插值，尽可能地保证了地表上方物体的完整性。实验结果表明，该算法具有参数设置简单、适用范围广、效率高等优点。　　(2)建筑物提取。城市中的建筑物具有高大、表面平滑等显著特征，并在扫描点云中占有很高的比例。本研究首先采用欧式聚类提取连通的点集，然后基于粗糙度、高差等参数设计了建筑点云提取规则。实验结果表明算法能够快速、准确提取场景中的建筑物。　　(3)地物分割。本文提出了一种基于改进MeanShift算法的地物二次分割算法。首先，通过调整均值漂移的距离权重进行初分割，初分割的结果尽可能地保证了分割对象的完整性。然后，针对初分割结果中的欠分割点集，使用更小的搜索及聚类合并距离进行地物再分割，以确保每个分割对象只包含一个地物。　　(4)面向对象的地物分类。本研究将余下地物划分为车辆、树木、围墙和其它类。首先采用自适应K-means对逐个分割对象进行体素化，接着修改霍夫森林使之适用于体素的识别，最后以分割对象为单位逐一标记地物类别。实验表明，该方法的地物分类精度较高(＞85％)，且受点云密度、地物遮挡等因素的影响较小。