点云分类是点云数据应用中非常重要的环节,城市建模、智能驾驶、室内定位等应用都需要高精度的分类结果。在分类的过程中,仅使用点云的三维坐标信息进行分类只能提取其空间特征,面对空间结构相似的地物时容易混淆。光谱信息易于获取,数据融合方便,增加光谱信息能增加各类地物区分度,有效降低地物的混淆,提高分类效果。深度学习在点云分类任务中展现出高性能表现,具有端对端输出的特点以及强大的信息挖掘能力,而点云数据具有无序、不规则、数据量庞大等特点,使用基于深度学习的点云分类方法能挖掘点云中的深层次空间特征。因此,本文利用光谱信息与点云数据融合,提出基于Point Net++模型的融合光谱信息点云分类方法。研究成果如下:（1）研究光谱信息与点云数据的融合方法。使用Vaihingen地区点云数据集作为初始数据,在点云数据特征维度上进行扩张,制作了四类含有不同特征信息的融合数据集。这种数据融合的方式与神经网络输入数据特征扩充的方式相契合。（2）研究光谱、激光强度信息对基于深度学习的点云分类的影响。使用基于Point Net++的网络模型对不同类别数据集进行对比实验,分别进行模型训练和预测以及精度评定,分析激光强度信息、光谱信息在分类中的贡献。结果显示融合激光强度和光谱信息的数据集分类效果最优,总体分类精度达85.28%,比初始数据集提升7.68%,Kappa系数提升0.0994,说明融合光谱信息能有效提高分类效果。（3）使用基于自顶向下聚类的分类强化方法降低了各类别混淆程度,实现分类精度的有效提高。针对融合光谱信息的点云分类容易造成几种植被类别的混淆,本文提出一种基于自顶向下集成分割的分割方法,对神经网络初判定结果中的灌木和乔木类进行单木分割,随后对剩余低位点使用基于密度的DBSCAN聚类方法进行分割。提取聚类点云的归一化高度以及几何邻域特征,制作聚类点云数据集。利用随机森林模型进行训练和最终判定,以达到分类强化的目的。结果显示,强化后结果的总体分类精度提升1.5%,Kappa系数提升0.0189,在聚类点云中有47.2%的低矮植被预测被纠正,乔木类分类的F1得分提升2.7%,灌木提升3.2%。说明使用聚类的分类方法对植被类有较好的区分效果,能强化点云分类的效果。与ISPRS网站提供的五种方法对比,本文方法在屋顶和乔木类别F1得分对比中得分最高,分类效果最佳。