三维点云作为一种大范围、高精度的空间数据,为真实场景提供了细节更丰富的三维结构和形状信息。诸如大规模城市场景重构、高精度地图等领域基于三维点云展开了大量的应用研究。但三维点云数据冗余、规模庞大、密度分布不均、场景复杂多样、目标遮挡、目标间重叠等特点,给大规模三维点云智能化处理带来了巨大挑战。导致点云数据信息处理费时、计算量大,处理时间远大于数据采集耗时;复杂场景智能化处理程度低,缺乏稳健的特征提取;实体对象有效识别不足,几何语义信息集成困难等问题。具体而言,三维点云复杂场景语义识别的研究难以满足其在基础测绘、移动制图、文物保护等方面的应用。因此,本文针对大规模三维点云场景智能化语义识别所面临的科学问题,从理论、关键技术等方面开展深入研究。具体研究内容如下:（1）针对现有点云局部特征计算方法计算耗时、表达能力不足及内存效率低等问题,提出了通用的学习网络来计算噪声点云中的法线向量和主曲率值。该方法主要基于对PointNet架构的修改,着重提取围绕给定中心点的点云块局部属性。特别地,采用数据驱动的训练替换大多数现有技术中存在的参数设置困难且容易出错的手动调参。本文特征计算方法在特征刻画描述性和鲁棒性方面有一定提高,为后续高分辨率道路场景激光LiDAR点云多目标识别和大规模三维点云语义标记奠定基础。（2）针对大规模三维激光点云目标提取时间复杂度高、多目标重叠区域分割不足、单一层次特征描述识别率低等问题,提出了层次化目标提取方法,实现了建筑物、杆状物、树木、护栏、电力线、小汽车等地物目标的精准目标识别。提高了目标提取的效率和精度,增强了算法对重叠目标分割与识别的能力,为后续的语义标记、三维结构重建等环境感知深层次研究建立完备的样本数据和模型数据库。（3）针对三维点云数据量庞大所带来的高计算量及点云卷积处理经常导致内存占用过大而限制了点云输入分辨率等瓶颈问题,提出了基于逐点集群选择的点云超体素新型表达方式,实现三维点云由“点”到“区域”的抽象化;创建了一种针对三维点云数据的新型简洁的逐区域卷积运算符;基于高阶条件随机场进行语义标记后处理优化。通过与现有较前沿的算法对比,本文方法实现了更高效、准确的三维点云场景语义标注,为将来实时语义识别打下坚实的技术支持。通过与最近几年较前沿的典型算法进行实验对比,本文提出的算法在特征描述计算、高分辨率点云目标识别和大规模三维场景语义标注方面取得了一定的进步,实现了以下的创新:提出了通用的学习网络来计算噪声点云中的法线向量和主曲率值;提出了顾及目标完整性的点云分块方法;提出了复杂场景层次化目标提取方法;发展了三维点云新型的表达形式,将超体素定义为紧凑的点集群,超体素的分割以能量函数的形式转化为稀疏逐点集群选择问题;提出了一种简洁的卷积运算符,与“区域”抽象化的点云完美契合。