在机载LiDAR点云分析中,精确地检测出建筑物是自动三维重建的前提之一。通过栅格化把点云转化为数字表面模型(Digital Surface Model, DSM)会有信息损失,该过程也是不可逆的,在DSM上检测到建筑物区域之后,哪些点是建筑物的点,也需要进一步分类。因此,直接对点云进行分析,能有效的实现自动三维重建。基于点的分类方法,单个点信息较少,会造成错误分类,另外,基于点的分类方法,也会造成椒盐噪声,因此,本文采用面向对象的分类进行建筑物提取。在建筑物提取中,最困难的问题之一是建筑物与植被的区分,尤其是在建筑物与植被区域相邻的情况,为了解决这一问题,在面向对象的点云分析的基础上,利用建筑物的结构特征,在优化框架下进行分类。论文的主要研究内容为：(1) LiDAR点云的快速稳定的点云分割方法。提出了一种融合剖面分析、模型拟合、区域增长的快速平面分割算法：交叉线元增长的分割方法(Cross Line Element Growth, CLEG)。对于非平面点进行Meanshift的聚类,然后得到分割的结果,这样每个点都属于一个对象。(2) LiDAR点云的建筑物多特征提取方法。本文采用主分量分析(Principle Component Analysis, PCA)的方法进行对象的平面分析。用剖面分析中线分割的结果表示对象的粗糙度。根据高程方向的切片得到Z方向区域的变化,来分析区域是否是稳定的区域,取名为Z Maximally Stable Extremal Region(Z-MSER)。根据对象的聚类提取出墙面点,根据高程跃迁的点得到轮廓点,提取轮廓线。由于在离散的轮廓点中提取线,且噪声点较多,为了结果的稳定,先用张量投票得到线的显著性图,然后用Ellipse and Line Segment Detector(ELSD)的方法在显著性图上提取直线,最后用基于Graphcuts的多标签优化来得到最后的轮廓线精确提取的结果。(3) LiDAR点云建筑物提取的方法,本文采用由粗到精的提取策略。在分割步骤,采用先平面分割得到平面提取结果,然后非平面点用聚类的方法得到对象,在分割过程后,先把平面对象分成两类,即建筑物面片和非建筑物面片(大部分为地面,少数为地面表面的小结构)。本文采用先用区域增长得到成片的区域,其中较大的区域为地面,然后以这些区域构建不规则三角网(Triangulated Irregular Network, TIN)得到初始地面,以初始地面对平面对象进行高程权值计算,通过计算对象的坡度信息和对象间的法向量信息最为平滑权,在Graphcuts的框架下迭代优化对剩下的平面对象分类,得到分类结果。分类后建筑物的平面即为下一步提取的初值,有初值之后,对每个非平面对象进行特征计算,(a)对象到地面的高度；(b)平面性,线状特征等；(c)粗糙度,用线分割的结果计算表示,根据这些特征得到对象的属于建筑物的概率。在构建对象的相邻关系之后,用提取的轮廓线、墙面线和Z-MSER作为约束,在Graphcut的框架中,用Min cut/max flow得到分类结果。(4)融合建筑物提取和重建的统一框架。基于可视性重建的方法可以理解为对空间进行分类的方法,在这个基础上,提出了一种融合建筑物提取和重建的统一框架。在面向对象分类的框架下,把划分的空间作为优化的单元,得到空间分类的结果,即得到点云分类的结果。具体流程为：初始的建筑物区域得到初始区域的边界线,提取轮廓线等,根据提取的主方向规则化这些线,然后用Binary Space Partition(BSP)进行空间划分,计算点云所在的空间之后,根据对象计算每个空间的权重,根据建筑物点和地面点计算可视性权重,在计算平滑权之后用Min cut/Max flow得到空间的分类结果,进而得到点云的分类结果,根据不同类别的空间的相交面片即得到建筑物的表面。