随着摄影测量技术的飞速发展,激光机载LiDAR和影像匹配技术在地理国情检测、数字三维建模等方面应用广泛。本文分别从点云数据滤波和点云数据抽稀两个方面进行探讨研究。由于原始点云数据分布规律杂乱,且存在噪声点等低异常点,数据预处理显得尤为重要。本文通过格网划分原始点云数据,并对格网进行编号,便于数据管理,在格网划分基础上使用数学形态学的开、闭运算相结合的方式剔除低异常点。本文提出了一种基于多分辨率的点云数据滤波算法:点云数据滤波的实质是分类地面点与地物点,在一定区域内,格网最低点为地面点,选取并标记为初始地面控制点;使用TPS对下一层所选控制点进行插值运算,利用标准差滤除阈值高于TPS插值面的控制点,并迭代运算到最终分辨率;最终基于区域生长和三角网滤除地物点。实验表明,基于多分辨率的点云数据滤波算法能够有效地滤除地物点,并达到精度要求,对于复杂度较高的地形区域,算法有一定的缺陷。海量点云数据有助于高精度的地形表达,与之带来的是更多的冗余数据,如何剔除这些冗余数据,对数据存储有着重要的作用。文本提出了一种顾及地形特征的点云数据抽稀算法:首先标记边界特征点,其次提取格网中局部极值点,和边界点作为种子点构建TIN;然后利用一定原则逐渐选取非种子点中的地形特征点加密TIN;为进一步减少经过以上处理后残留的冗余点,采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。通过模拟数据和不同地形的真实数据对算法进行测试,结果表明算法在保证地形精度的前提下,能够有效地减少冗余点数量,使得抽稀后的点云数量可以保持在原始数据的35%以下。同时,为了提高算法的实用性,通过大量试验得出了算法中所需参数的最优配置。提出并设计基于Socket的分布式处理系统,建立局域网,管理网络中的计算机,通过调配计算机对数据进行批量处理,减少人工参与,提高运算性能。