随着科学技术的不断进步,近几十年来,人类感知世界的手段已从以光学成像为主的二维感知手段发展到以激光扫描技术为主的三维感知手段。三维激光扫描系统已成为继可见光、红外、微波、多/高光谱之后重要的遥感传感器。三维激光扫描系统获得的高分辨率三维点云数据以其数据量大、数据无规则、场景复杂度高等特性,成为近年来的研究热点与难点。目标检测是场景分析理解的基础,为高层的场景理解提供底层对象和分析依据。基于高分辨率三维点云数据的目标检测问题在理论和应用上都面临着巨大的挑战,是一个崭新的研究课题。本文围绕复杂场景高分辨率三维点云目标检测问题,系统地分析了当前三维点云目标检测方法的缺陷,提出了基于霍夫森林模型的三维点云独立目标检测模型和基于显著性的三维点云道路边界检测模型:(1)针对三维点云局部结构提取问题,论文基于超体素过分割方法保持目标边界、效率高等特性,提出了基于超体素邻域的三维局部结构提取方法。为了保证提取的三维局部结构具有最佳的判别能力和计算效率,论文基于拉普拉斯-贝特拉米尺度空间算子分析了在不同超体素邻域尺寸下三维局部结构的判别能力。该方法克服了当前三维点云局部结构提取算法没有考虑目标形状结构或不能控制局部结构尺寸等缺陷。(2)针对特定类别的独立目标检测问题,引入机器学习方法,提出了基于距离加权旋转投票霍夫森林的三维点云独立目标检测模型。该模型利用八叉树模型从三维点云数据中提取三维局部结构,采用具有点云密度不变性、旋转平移不变性的几何结构特征和光谱特征进行特征描述,并采用距离加权旋转投票的广义霍夫投票方法,解决了复杂场景下独立目标的检测问题。该方法克服了当前三维点云独立目标检测方法可拓展性弱及检测性能受限于独立目标形状完整性的缺陷。实验结果证明该方法对复杂的场景如遮挡、重叠以及旋转等具有较高的鲁棒性。(3)论文提出了融合超体素与霍夫森林的三维点云目标检测模型,克服了距离加权旋转投票霍夫森林模型中局部结构提取方法未考虑场景内目标空间形状结构信息以及距离加权旋转投票以低虚警率为代价获取旋转不变性的缺陷。该模型利用超体素邻域提取三维点云局部结构,并利用基于局部参考框架和旋转投票的组合投票策略,解决复杂场景下独立目标的检测问题。实验结果证明该方法具有较高的检测性能和检测效率。(4)针对连续目标检测问题,以城市道路边界为研究对象,论文提出了基于局部法向显著性的城市道路边界检测方法。首先,论文提出了一种基于法向的三维点云显著性描述方法;然后,结合显著性描述以及道路周边地物的相对空间分布属性来提取路边结构点集;最后基于PCA投影变换精确提取路边点集。通过对城市道路三维点云数据实验结果的分析与讨论,证明该方法具有较高的检测性能和检测效率。