建筑物三维模型是地球空间信息的重要组成部分,也是组成“数字城市”的关键所在,在诸如城市规划、三维导航、文化遗产保护等领域得到了广泛的应用。而随着激光雷达技术的不断发展,点云数据尤其是机载激光雷达扫描数据已经成为继矢量地图和影像数据之外的第三类重要的时空数据,其本身蕴含的信息具有二维地图和影像无可比拟的优越性。目前,根据建筑物点云数据进行建筑物三维重建是摄影测量、计算机图形学、计算机视觉和遥感社区中的一个活跃的研究领域。但是当前数据驱动和模型驱动的方法专注于建筑物屋顶的几何外形,提取的各个平面之间的语义关系不明确。本文使用一种结合建筑物屋顶和立面的参数化建模方法,利用深度学习技术为三维语义建模提供可靠的先验信息,主要研究内容有以下几点:（1）利用深度学习技术识别建筑物屋顶类别。传统的三维建模方法仅能获取到局部几何信息,缺乏语义信息和完整的建筑物类别信息。本文结合建筑物点云的数据特征,对PointNet深度学习模型进行改进,并使用改进模型提取建筑物屋顶类别信息,实验表明本文改进的模型具有较好的泛化性能和识别准确率。（2）设计了一套包含单一屋顶和组合型屋顶基元库,并对基元进行了参数化表达。常见的基元及基元库设计通常仅考虑平面与平面之间的几何关系,忽视了建筑物的全局特征。本文使用完全自上而下的方法即根据建筑物屋顶类别设计基元,不仅可以表达平面及平面间的几何特征,也可以完整表达各平面的语义信息。在对各语义信息进行提取聚合后,利用CityGML进行几何语义一体化表达。（3）针对基本损失函数的下降过程进行改进。本文对基本损失函数的下降过程进行分析,提出了加权分段损失函数的改进策略,给出了各个参数自动确定的理论依据,实验表明本文的加权分段损失函数具有下降速度快和效果好的优点。