油茶（Camellia Oleifera）为经济林的一种,在中国以及世界食用植物油方面具有极大的贡献,其种植不占用耕地,适生范围广,生长期较长,具有较高的经济效益。快速、准确地进行油茶果数量确定有助于大规模油茶林管理,对油茶产业的发展至关重要。传统的油茶产量估测主要为人工测算,估产覆盖区域较小,需要耗费大量的时间与劳动力资源,对于及时进行油茶产量的动态估算存在一定局限性。因此,发展一种准确的油茶果数量估测方法,对于大范围内油茶林产量研究具有重要意义。研究以湖南省长沙市长沙县明月村油茶种植基地为研究区,利用三维激光扫描仪（Terrestrial Laser Scanning,TLS）对标记的79株油茶树进行三维激光点云数据采集,在采集之前结合样地的油茶果半径实际情况对三维激光扫描仪分辨率设置进行了分析以便能同时获取较高的点云质量以及扫描效率,随后单独记录每株油茶树的油茶果数量。在获取的油茶点云数据之后采用RGB（Red-Green-Blue）颜色空间、YUV颜色空间（“Y”为明亮度Luminance;而“U”和“V”为色度Chrominance）分别分离油茶果点云数据,再通过聚类的方式确定颜色空间分离的油茶果点云数据中油茶果类簇的数量。对于聚类所使用的算法,研究对传统均值漂移（Mean Shift）聚类算法做出了改进,为了验证方法的有效性,传统Mean Shift聚类算法、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法以及最大最小距离聚类算法也将被建立用于实验当中,最后结合油茶果实测数量进行对比分析,探讨适合大范围内油茶产量估测的方法。主要研究结论如下:（1）三维激光扫描仪1/4分辨率能同时获取较高的点云质量以及扫描效率。三维激光扫描仪分辨率的设置可由分辨率信任度决定,通过仪器分辨率对应的测点间距以及样地油茶果实测半径计算出1/2、1/4、1/8分辨率信任度分别为Q1/8=0.8772、Q1/4=0.9386、Q1/2=0.9639。1/4分辨率单站扫描时间仅为1/2分辨率的34.85%,而信任度相较于1/8分辨率则提升了 7%,表明了 1/4分辨率在保证扫描效率的同时还能获取较高质量的点云数据。（2）在两种颜色空间分离方法中,YUV颜色空间分离的油茶果点云完整性高于RGB颜色空间。YUV颜色空间分离油茶果点云点的数量为331060个,平均每株4191个;RGB颜色空间所分离油茶果点云点点的数量为159108个,平均每株2014个。YUV颜色空间所分离的点云数据密度更高,能更精确地描述油茶果形态特征。（3）改进Mean Shift聚类算法的聚类识别效果优于其它3种聚类算法。改进Mean Shift聚类算法在两种颜色空间中的平均检出比率皆为最高,该算法在RGB颜色空间的平均检出比率为79.33%,相较于传统Mean Shift聚类算法、DBSCAN聚类算法、最大最小距离聚类算法分别提高了 9.04%、54.53%、3.91%;在YUV颜色空间的平均检出比率为81.73%,相较于传统Mean Shift聚类算法、DBSCAN聚类算法、最大最小距离聚类算法分别提高了 7.05%、62.35%、10.78%。改进Mean Shift聚类算法在油茶果激光点云数据上的聚类效果有显著提升,聚类识别性能更好。（4）采用聚类的方式有效地确定了颜色空间所分离的油茶果点云类簇的数量。在RGB颜色空间和YUV颜色空间中,改进Mean Shift聚类算法平均检出比率均接近于80%,其中在YUV颜色空间平均检出比率为81.73%,较RGB颜色空间的平均检出比率提高了 2.4%。表明基于颜色空间对油茶果激光点云进行分离从而聚类识别油茶果的方法是可行的。（5）研究验证了三维激光扫描仪用于油茶果识别的可行性,进一步加深了激光雷达对产量估测系统的认知。研究使用4种聚类算法得到的油茶果点云类簇的数量差异较大,其中改进Mean Shift聚类算法所得数量与实际采集油茶果数量最为接近,聚类效果最好。该结果表明了油茶果三维激光点云数据结合合适的聚类算法能有效实现油茶果数量的估测。