激光雷达扫描(Light Detection and Ranging,LIDAR)是通过航空摄影测量遥感手段,实现对城市场景数据的有效复制。在实景三维城市建设与规划、位置导航、虚拟现实服务中充当重要的角色。LiDAR点云数据的处理及深加工是工程应用及科学研究的前提条件,近几年成为地理信息科学领域的一个重要研究方向。LiDAR数据分类处理的难点在于:一方面,城市场景LiDAR点云数据中包含丰富而复杂的数据特征、不同的形状、复杂的结构、相互遮挡,造成较大的数据丢失;另一方面,激光雷达扫描仪远离城市目标特征,像汽车、行人等,在扫描过程中处于运动状态,造成所获取的LiDAR点密度不均匀、存在漏洞。本论文目的是通过融合激光点云数据的多尺度、多层次点集特征来构建一种对地物具有较高、较稳定区分度的特征参数,采用人工智能方式进行点云数据分类算法的研究。在该算法研究中将所获取的点云数据分成四类:地面点、植被、建筑物和小汽车。首先,对所获取的数据进行航带拼接、系统误差改正及去噪,去除影响点云数据后处理的因素,再对预处理的数据进行点云滤波,将地面点和非地面点有效分离开来。然后,使用非地面点数据集作为研究对象,利用地物实体本身点云数据特点及空间范围上的差异,构建多尺度点集特征,并基于自然指数函数阈值将点云聚合为多层次点集,联合稀疏编码和潜狄利克雷分布提取多层次点集中各个点集的形状特征;最后,选用合适的人工智能算法分类器,利用不同场景环境下的三维空间信息数据进行分类算法试验。实验结果表明,该分类算法分类精度高,处理速度快,噪声影响小,可以有效解决复杂城市场景点云数据分类难的问题,在人工智能LiDAR数据分类领域具有重要意义。