三维激光点云数据的单木枝叶三维点云语义分割研究是林木参数获取,林木骨架提取以及林木三维重建等研究工作的基本前提与主要内容。在对树木进行骨架提取时,树叶点云的去除是一个极其繁琐的问题。主要是由于单个树叶面积较整棵树木来说较小且扫描为点云之后树叶与树叶之间会存在遮挡以及重合的问题,并且传统的方法依旧以人工手动去除为主,费时费力。因此对树木点云枝叶的自动化分割是一个技术难题。基于深度学习的点云语义分割技术是三维点云分割领域中一种关键的技术,也是点云研究的重要方向。PointNet是目前最常用的直接对点云进行处理的深度学习神经网络,主要用来解决室内大场景语义分割及类别分类问题,但是其缺乏对局部细节特征的学习和提取能力,从而导致对一些局部细节的识别分割能力较差,影响最终分割的精度。针对上述问题,本文致力于研究树木点云枝叶分割算法,主要以点云分割网络PointNet为基础进行算法研究。本文的具体研究内容如下:（1）创建了一个拥有枝、叶及其他共三种不同类型,且点云密集的点云数据集。在创建树木点云数据集过程中首先使用地面激光扫描仪对校园内若干树木进行点云扫描。在扫描得到树木的原始点云后,对其进行配准注册等预处理操作。在预处理完成后,对树木枝叶点云数据中的每个点进行类别标注,然后按照S3DIS官方公共数据集的格式制作树木枝叶点云数据集,并将其划分为训练集,测试集和验证集。（2）首次将点云分割算法PointNet迁移应用到树木点云枝叶分割上来,并设计了一种基于PointNet的改进单木枝叶点云自动分割算法PointNet-Ultra。为了验证改进后算法的有效性,在自主建立的枝叶点云数据集上经由三个不同的点云分割算法（MVCNN、PointNet以及本文改进算法）进行对比试验。实验结果显示,MVCNN算法在本文自主建立数据集上准确率（OA）87.56%,交并比（IoU）60.11%。原PointNet准确率为88.32%,交并比67.23%。改进后的算法与原PointNet相比,树木枝叶点云分割精度得到大幅提高,对枝叶的分割精度达到89%以上,交并比相对原PointNet提高了 1.77%左右。（3）将改进的树木点云枝叶分割算法在2021年2月发布的共享森林点云数据集上进行实验验证,实验结果表明,MVCNN算法在此数据集上准确率81.32%,交并比59.81%。原PointNet准确率87.57%,交并比65.41%。改进后算法在数据集上准确率89.06%,交并比68.67%。本文改进算法在枝叶点云分割上具有更好的分割效果,准确率与交并比得到显著提高。