随着激光雷达的发展和普及,人们可以越来越便捷地获取各种场景的点云数据,尤其是机载激光扫描点云。由于扫描平台较高,覆盖面广,机载点云可广泛应用于城市规划、电力线巡检和林业检测等领域。上述应用均需要提取点云的类别信息,因此机载点云语义分割一直是摄影测量与遥感届重要的研究课题。特别地,机载点云与室内、地面扫描点云相比,有着独特属性:（1）大量的几何实例,比如成片的房顶和建筑物立面;（2）类别间剧烈的尺度变化,比如汽车、房顶的尺度差异,使得同时对多种类别准确地语义分割十分困难;（3）高程分布的差异性,利用此差异性可有效辅助区分不同的类别,如房顶点和地面点。尽管在过去的几十年中,许多高效的机载点云语义分割算法已被提出,但在设计算法时,如何聚焦机载点云独特属性来进一步提高其语义分割精度这一问题还未被解决。为此,本论文提出了一个端到端的几何注意力神经网络,由几何感知卷积、稠密分层架构以及高程注意力模块构成,有效地嵌入了机载点云的三大属性。其中,几何感知卷积模块将低维几何特征向量作为先验,来引导高维局部式样表示学习,从而获得具有几何判别性的点云深度特征。稠密分层架构将下采样编码器中各层级的点特征矩阵分别上采样回原始尺寸,通过嵌套的跳连接路径整合各层级感受野信息,增强网络的多尺度表达能力。高程注意力模块将输入的点云高程坐标转化为高程注意力权重系数,对原始特征通道进行加权,强调逐点高程信息的重要性,端到端地辅助分类。本文进行了大量的消融实验和详细的精度分析,验证了各模块对分割效果性能提升的有效性,最终构建出的几何注意力神经网络大幅提高了机载点云语义分割的精度。在ISPRS 3D语义标注公开数据集上,本文的算法达到了最高的平均F1分数。另外,本文对所提网络和基准网络进行了详细的空间、时间复杂度分析。在相近的参数量和运行时间下,均不采取再训练,所提网络模型可以直接在2019数据融合大赛点云数据集上预测出更好的语义分割结果,整体精确度和平均F1分数指标均提升了10%以上,从而验证了所提网络具有更强的泛化能力。