随着经济社会的发展以及科学技术水平的提高,人们对高时效、高精度、大范围的空间数据的需求越来越大。激光雷达技术具有分辨率高、抗干扰能力强、主动快速等优点,满足人们研究和应用的需求,得到了长足的发展。主流激光雷达技术包括星载激光雷达、航空激光雷达、车载激光雷达和地面激光雷达。不同平台的激光雷达性能各不相同,点云也各有特点。随着不同平台激光雷达点云集成应用的出现,多平台LiDAR点云的集成成为一个新的研究热点。由于多平台LiDAR点云数据的异质性(视角不同、空间分辨率不同、覆盖范围不同、目标不同)以及点云数据本身的离散性,海量多平台LiDAR点云的自动集成存在较大的难度。本研究针对多平台LiDAR点云数据的集成问题,以航空LiDAR点云数据为参照,以“特征提取——特征匹配——数据集成”为主线,分别探索了“空-地”LiDAR点云集成方法、“空-车”LiDAR点云集成方法,初步形成了一套高可靠性、高精度、高自动化的“空-车-地”LiDAR点云数据集成方法。具体研究内容如下：(1)“空-地’’LiDAR点云集成方法。由于航空和地面LiDAR点云数据的异质性,航空LiDAR中提取的建筑角点数量较多,但精度较低,异常点较多,而地面LiDAR中提取的建筑角点精度较高,但数量较少。如何充分利用少量的精度差异较大的共轭特征实现点云的高精度配准,对于“空-地”LiDAR点云集成至关重要。为解决此问题,研究提出了一种可移动引导点的方法,该方法充分利用了所有共轭特征在空间分布上对于点云集成效果的贡献,以高精度地面角点为参照,从航空角点中生成移动引导点,迭代地移动修正引导点,实现“空-地"LiDAR点云的高精度配准。在这一过程中,研究中利用反向迭代数学形态学算法从航空LiDAR点云中提取建筑角点；利用投影密度方法从地面LiDAR点云中提取建筑角点,提出了一种建筑轮廓密度估计的方法准确地确定建筑格网密度阈值。(2)“空-车"LiDAR点云集成方法。航空和车载LiDAR点云数据量大,覆盖范围广,单一的转换参数难以满足大范围点云高精度集成的要求,并且以碎步地物为基元进行配准,计算量大,容易陷入局部最优。为此,研究采用了一种先整体、后局部的配准策略,以大尺度的道路网为基元进行点云的整体粗配准,在此基础上使用建筑轮廓对局部点云进行精化。在粗配准的过程中,综合利用航空LiDAR的强度和高程信息提取道路网,结合车载轨迹线信息,利用道路交叉点计算粗配准转换参数。在局部区域,利用反向迭代数学形态学算法从航空LiDAR中提取建筑轮廓,提出一种极高值累积量的方法从车载LiDAR中提取建筑轮廓,使用基于向量的三维基准转换模型和共线方程实现点云的精配准。通过实验发现,由于可移动引导点的方法充分考虑了所有共轭特征对于特征匹配的贡献,在特征数量较少的情况下,能够有效提高“空-地"LiDAR点云的集成精度,精度达到分米级。在“空-车"LiDAR点云集成方法中,使用道路网进行粗配准,可避免直接用碎步地物特征引导而易造成的整体偏差、局部最优问题,确保大区域“空-车”点云数据匹配的高可靠性。在此基础上,使用建筑轮廓进行精配准,能够有效提高“空-车”LiDAR点云的集成精度。